一键搞定：NVIDIA驱动、CUDA与cuDNN的彻底卸载与高效重装指南

1. 为什么你需要这份“彻底”的指南？

如果你正在折腾深度学习环境，尤其是用NVIDIA的显卡跑PyTorch或者TensorFlow，那你大概率遇到过版本冲突、环境混乱的糟心事儿。我见过太多朋友，包括我自己，在项目做到一半，或者新模型需要新版本的CUDA支持时，被“卸载不干净”和“重装失败”这两个拦路虎折磨得死去活来。常见的场景是：你按照某个教程，用apt-get remove或者控制面板卸载了CUDA，结果新版本一装，nvidia-smi显示的驱动版本和nvcc -V显示的CUDA版本对不上，或者PyTorch死活检测不到GPU，报一些“CUDA driver version is insufficient”之类的神秘错误。

这背后的原因，就是卸载不彻底。NVIDIA驱动、CUDA Toolkit、cuDNN这三者，以及我们常用的Conda环境，它们之间有着复杂的依赖关系，文件散落在系统的各个角落。简单的卸载命令往往只移除了主程序，留下了大量的库文件、配置文件和环境变量。这些“残留物”就像装修后没清理的垃圾，会严重影响新环境的搭建。所以，今天我要分享的，不是那种“一行命令搞定”的速成法，而是一套从根源上清理，再高效重建的完整流程。这套方法我用了好几年，在Ubuntu系统上反复验证，能帮你把环境恢复到“出厂状态”，再装任何版本都清爽无比。无论你是刚入门的小白，还是被环境问题困扰已久的老手，跟着做，都能省下大量排查问题的时间。

2. 卸载前的准备工作：别急着敲命令

在动手卸载之前，做好准备工作能避免很多不必要的麻烦。首先，最重要的一步是记录你当前的环境状态。打开终端，依次执行以下几个命令，并把结果保存到一个文本文件里：

# 查看NVIDIA驱动版本和最高支持的CUDA版本
nvidia-smi

# 查看当前系统安装的CUDA Toolkit版本（通过nvcc编译器）
nvcc --version

# 查看CUDA相关的动态库链接情况
ldconfig -p | grep cuda

# 如果你使用Conda，查看所有环境中安装的cudatoolkit和cudnn
conda list | grep -E "cudatoolkit|cudnn"

记下这些信息，万一新环境配置不如意，你还能知道回退到哪个版本。其次，关闭所有可能使用GPU的程序。这包括你的IDE（如VSCode、PyCharm）、正在运行的Jupyter Notebook、任何深度学习训练脚本，甚至是一些显卡监控软件。确保GPU处于空闲状态，卸载过程才不会因为文件被占用而失败。

最后，做好心理准备，我们接下来的操作会删除系统级别的文件，所以请确保你有sudo权限，并且当前没有重要的任务在依赖这个GPU环境。如果你是在公司的服务器上操作，最好先和运维同事打个招呼。准备工作就绪，我们就可以开始“大扫除”了。

3. 彻底卸载CUDA Toolkit：告别残留文件

卸载CUDA是第一步，也是最容易出问题的一步。网上很多教程只告诉你用apt卸载，但这对于runfile方式安装的CUDA基本无效。我们需要根据安装方式来选择卸载方法。

如果你当初是用官方runfile安装的（通常是从NVIDIA官网下载的.run文件），那么恭喜你，卸载是最干净的。CUDA在安装目录下自带了一个卸载脚本。首先，找到你的CUDA安装路径，通常是/usr/local/cuda或/usr/local/cuda-11.8这样的带版本号的文件夹。进入该目录的bin文件夹，运行卸载程序：

# 切换到CUDA安装目录，请将cuda-11.8替换为你的实际版本号
cd /usr/local/cuda-11.8/bin
sudo ./cuda-uninstaller

<