关于安装NVIDIA驱动，cuda Toolkit，cudnn教程，以及如何验证是否正确安装！

这篇文章主要讲解英伟达驱动安装，以及cuda Toolkit安装教程，cudnn安装详细教程，以及如何检验安装环境生效。 话不多说，上干货！

目录

安装教程：

验证安装

1. 验证 CUDA 驱动

2. 验证 CUDA Toolkit

3. 验证 cuDNN

调用使用

1. 使用深度学习框架

2. 使用 CuPy 库

3. 使用 Java 调用（通过 JCuda 库）

---

安装教程：

首先，一般购买带显卡的笔记本，或者电脑，一般都会预装英伟达显卡驱动，或者可以去对应电脑型号官网上下载适配的驱动。

cuda Toolkit安装，可以直接参考：CUDA Toolkit安装教程（Windows）-优快云博客

cuDnn安装，可直接参考：cuDNN安装教程（Windows）_windows安装cudnn-优快云博客

官网地址：CUDA Toolkit 12.8 Update 1 Downloads | NVIDIA Developer

验证安装

1. 验证 CUDA 驱动

在命令行工具（Windows 系统为命令提示符或 PowerShell，Linux 系统为终端 ，macOS 系统为终端）中输入以下命令：

bash

nvidia-smi

如果安装正确，该命令会显示 NVIDIA 显卡的相关信息，如驱动版本、CUDA 版本、GPU 的使用情况、温度、功耗等。若提示命令未找到，说明显卡驱动未正确安装或环境变量配置有问题。

2. 验证 CUDA Toolkit

同样在命令行工具中，输入以下命令：

bash

nvcc --version

若 CUDA Toolkit 安装正确，会输出 CUDA 编译器的版本信息。若提示nvcc不是内部或外部命令等错误，则表示 CUDA Toolkit 未成功安装或环境变量未配置好。

3. 验证 cuDNN

• Windows 系统：进入 CUDA 的安装目录（默认路径如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\版本号 ），分别进入include和lib文件夹，查看是否存在以cudnn开头的文件，如cudnn.h和cudnn.lib等。也可以运行 CUDA 安装目录下extra\demo_suite文件夹中的deviceQuery.exe和bandwidthTest.exe文件 ，在命令行中进入该文件夹目录，然后依次执行以下命令：

bash

.\deviceQuery.exe
.\bandwidthTest.exe

若两个程序的输出结果中都出现Result = PASS，则说明 cuDNN 安装和配置正确。

• Linux 系统：进入 CUDA 的安装目录（默认路径如/usr/local/cuda ），在终端中执行以下命令查看是否有 cudnn 相关文件：

bash

ls /usr/local/cuda/include | grep cudnn
ls /usr/local/cuda/lib64 | grep cudnn

另外，还可以通过运行官方提供的示例来验证，先下载 cuDNN 示例代码，解压后进入示例目录，编译并运行示例程序。例如：

bash

cd cudnn_samples_vX  # X为版本号
make clean && make
./mnistCUDNN

如果运行结果显示Test passed!，则表示 cuDNN 安装正确。

调用使用

通常需要借助支持 CUDA 的深度学习框架或计算库来调用它们，以下是一些常见的情况：

1. 使用深度学习框架

• TensorFlow：安装支持 GPU 的 TensorFlow 版本，命令为pip install tensorflow-gpu。在 Python 代码中，可以通过以下方式检查是否能识别 GPU 并调用：

python

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))
# 后续进行模型构建和训练时，TensorFlow会自动将计算任务分配到GPU上，也可以显式指定设备
with tf.device('/GPU:0'):
    # 构建和训练模型的代码
    pass

• PyTorch：安装命令为pip install torch torchvision torchaudio。使用以下代码检查是否能使用 GPU：

python

import torch
print(torch.cuda.is_available())
# 在代码中设置设备为GPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# 创建张量和模型并移动到GPU上进行计算
x = torch.randn(3, 3).to(device)
model = YourModel().to(device)

2. 使用 CuPy 库

CuPy 是一个与 NumPy 兼容的库，专门用于 GPU 计算。安装命令为pip install cupy。使用时，CuPy 会自动将数据传输到 GPU，并在 GPU 上完成计算，示例代码如下：

python

import cupy as cp
# 创建CuPy数组
a = cp.array([1, 2, 3])
b = cp.array([4, 5, 6])
# 执行计算
c = a + b
print(c)

3. 使用 Java 调用（通过 JCuda 库）

对于 Java 开发者，可以使用 JCuda 库来调用 GPU 算力。首先需要在项目中引入 JCuda 库的依赖，然后在代码中使用如JCublas.cublasSgemm等 API 来执行矩阵乘法等操作 ，示例如下：

java

import jcuda.*;
import jcuda.jcublas.*;

public class CudaExample {
    public static void main(String[] args) {
        // 初始化CUDA和CUBLAS
        cuInit(0);
        JCublasHandle handle = new JCublasHandle();
        jcublasCreate(handle);
        
        // 后续编写矩阵运算等相关代码
        
        // 释放资源
        jcublasDestroy(handle);
        cuExit(0);
    }
}

如果安装完成，并且完成验证没问题，并且通过代码测试，能够调回就带代表安装成功了！