显卡版本（算力）、驱动版本（Driver Version）、CUDA Toolkit（CUDA Version）、PyTorch版本之间的匹配_cuda版本 与显卡版本

刚开始在Anaconda搞环境的时候没注意到这四者之间的对应关系，点进去CUDA Toolkit的安装官网：

CUDA Toolkit 12.1 Downloads | NVIDIA DeveloperResources CUDA Documentation/Release NotesMacOS Tools Training Sample Code Forums Archive of Previous CUDA Releases FAQ Open Source PackagesSubmit a BugTarball and Zip Archive Deliverableshttps://developer.nvidia.com/cuda-downloads就直接下载安装了最新版本的CUDA Toolkit12.1.66，回过神来后，发现显卡版本（算力）、驱动版本（Driver Version）、CUDA Toolkit（CUDA Version）和PyTorch版本这四者之间有一定的匹配关系。简单地说就是：需要按照显卡型号（算力）安装驱动，再根据驱动版本选择相应版本的CUDA Toolkit进行安装（CUDA Toolkit可安装多个版本）。

---

目录

硬件&系统信息

对照流程

一、查看自己的显卡/GPU型号

二、查看自己的驱动版本（Driver Version）和CUDA版本（CUDA Version）

三、CUDA版本和驱动版本之间的对应

四、CUDA版本和驱动版本不匹配的应对方法

方法1：使用低版本CUDA Toolkit

方法2：更新驱动

五、PyTorch对应的版本

---

硬件&系统信息

显卡：英伟达GeForce3070Ti

系统：Windows11

---

对照流程

一、查看自己的显卡/GPU型号

两种方式查看：

1、任务管理器 → 性能（可以看到GPU的型号）；或者

2、在开始菜单搜索设备管理器 → “显示适配器”中可以看到GPU的型号（一般是看自己独显，也就是英伟达显卡型号）

此外，官网给出了每一款显卡的算力（可看可不看，主要得知道自己显卡的型号）：

https://developer.nvidia.com/zh-cn/cuda-gpushttps://developer.nvidia.com/zh-cn/cuda-gpus

对应什么产品什么型号就自行选择即可。不同型号的显卡算力可能是一样的，如：3070和3070Ti都是8.6的算力。

---

二、查看自己的驱动版本（Driver Version）和CUDA版本（CUDA Version）

按start+R，输入cmd，打开windows命令行，输入命令：

nvidia-smi

可见我当前的驱动版本是531.14，CUDA版本是12.1。

---

三、CUDA版本和驱动版本之间的对应

那么CUDA Toolkit12.1.66的需要的驱动版本范围应该在对应的版本的说明文档里标明，如12.1版本的说明在以下官方网站中标出：（我用的是Windows系统）

CUDA Toolkit与驱动版本的对应https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html#notices

下方的链接是官网给出的对照表格，如果你懒得在上面的网站里翻，也可以直接看这个： 

Table 3 CUDA Toolkit and Corresponding Driver Versions

可以看到表格里写的清清楚楚：

如果你想要安装CUDA 11.6 GA，那你的驱动版本起码得是511.23；

如果你的驱动版本已经达到了546.12，那上表里的CUDA你都能安装（CUDA Toolkit是可以同时安装多个版本的，用哪个版本的CUDA就把该版本写入环境变量就可以）。

---

四、CUDA版本和驱动版本不匹配的应对方法

如果现在你的CUDA版本和驱动版本不匹配，就可以：

• 方法1：使用低版本CUDA Toolkit；或者
• 方法2：更新驱动

方法1：使用低版本CUDA Toolkit

关于这个方法涉及多版本CUDA切换，等写完放链接。

方法2：更新驱动

驱动是可以更新的。附上驱动安装/更新的官方网站：

人工智能计算领域的领导者 | NVIDIA

点击“驱动程序”，出现以下界面：

根据你的显卡型号和需求选择即可，点击“搜索”出现驱动下载界面：

点击“安装”即可。可以看到对于GeForce 3070Ti 可用的最新的驱动版本已经更新到546.17了。

更新后的驱动版本也许能够支撑起CUDA版本，但如果更新后还是达不到当前使用的CUDA版本对驱动版本的要求，那就必须换个低版本的CUDA。

---

五、PyTorch对应的版本

若不知道如何在Anaconda的环境中安装PyTorch，请看：Anaconda+PyCharm+PyTorch+Gym深度强化学习环境搭建 送新手直接送进炼丹炉_pycharm安装gym库_在屏幕前出油的博客-CSDN博客Anaconda+PyCharm+PyTorch+Gym强化学习环境搭建流程，新手强化学习炼丹炉入口。https://blog.csdn.net/qq_43674552/article/details/127343863?spm=1001.2014.3001.5502那么现在来看PyTorch了，目前官网最高支持的是CUDA版本是11.8，有些滞后，和我的CUDA12.1.66版本是不匹配的。但之前我在Anaconda环境中安装的也是CUDA版本为11.8的PyTorch（版本如下图）：

 所以，由于PyTorch给出的CUDA的版本有些滞后，就需要验证一下支持CUDA11.8的PyTorch是否和CUDA12.1.66是兼容的，于是我在这个PyTorch官网安装页往下翻了翻：

也没说什么特别的，就是说conda和CUDA要适配你的机器，并且在你的可选范围内，选择CUDA版本越高的PyTorch越好。

接着官网给了安装成功的认证过程：

翻译过来就是说，以下步骤可以帮你认证你的PyTorch是否安装成功，并且你的CUDA是否能为PyTorch所用。

用PyCharm新建一个空项目，环境配置选择安装了PyTorch(CUDA version = 11.8)的那个环境，按照上图官网文档给出的命令验证一下即可：

import torch
x = torch.rand(5, 3)
print(x)
#如果你的输出是类似于官网给出的那个tensor的样子，说明torch可用
 
torch.cuda.is_available()
#若返回True则说明CUDA可用

 我输出了一个和官网给出的相似的结果（绿框里的那个tensor），并告诉我我的CUDA可以使用，但不知道跑模型的时候会不会提示什么不兼容的错误（应该不会，到时候再说）。

哦对了，CUDA官网还说CUDA是向下兼容的，所以我觉得高版本CUDA会兼容支持低版本CUDA的PyTorch。但如果选择保守一点，就严格按照对应的版本安装使用即可。