Win11配置多个CUDA环境

最新推荐文章于 2025-10-21 18:48:07 发布
原创 最新推荐文章于 2025-10-21 18:48:07 发布 · 6k 阅读 · 87 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#CUDA #python

本文详细描述了如何在Windows上安装及配置不同版本的CUDA（如CUDA11.7和11.0），包括下载、自定义安装、cuDNN的处理，以及如何调整系统环境变量以切换和验证PyTorch对显卡的支持。
该文章已生成可运行项目，

概述

由于跑项目发现需要配置不同版本的Pytorch，而不同版本的Pytorch又对应不同版本的CUDA，于是有了在Win上装多个CUDA的打算

默认已经在电脑上装了一个CUDA

屏幕截图 2023-09-30 112423

现在开始下载第二个CUDA版本，前面下载的操作和普通安装的几乎一样

安装CUDA

CUDA下载链接

下载自己需要的CUDA版本，以我自己要安装的为例

屏幕截图 2023-09-30 095614

屏幕截图 2023-09-30 095815

下载打开exe文件进行安装，第一步不用管，直接点击确认

屏幕截图 2023-09-30 100402

后面选择自定义安装，只选择安装CUDA

屏幕截图 2023-09-30 100534

其他一路下一步就可以了

安装cuDNN

cuDNN下载链接

PS：下载需要登录一下账号

屏幕截图 2023-09-30 100047

下载下来后，把压缩包解压，得到如下文件

image-20230930100746137

将bin，include文件夹中的文件，分别复制到下列地址对应的文件夹下（CUDA的安装地址，以我的地址为例），遇到提示，为全部选择覆盖和替换。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7

需要注意的是，lib文件夹里的所有文件，需要复制到

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\lib\x64

至此，安装工作就做完了，可以看到电脑上已经有两个CUDA版本了

image-20230930101157014

配置环境

由于CUDA11.7是后面安装的，所以可以看到系统把之前的环境覆盖了

屏幕截图 2023-09-30 103109

以作者在为例，系统变量的PATH里配置一下路径

CUDA_11.7

%CUDA_PATH_V11_7%\lib\x64
%CUDA_PATH_V11_7%\include
%CUDA_PATH_V11_7%\extras\CUPTI\lib64
%CUDA_PATH_V11_7%\bin
%CUDA_PATH_V11_7%\libnvvp

CUDA_11.0

%CUDA_PATH_V11_0%\lib\x64
%CUDA_PATH_V11_0%\include
%CUDA_PATH_V11_0%\extras\CUPTI\lib64
%CUDA_PATH_V11_0%\bin
%CUDA_PATH_V11_0%\libnvvp

配置好如下：

微信截图_20230930105036

配置好之后，默认CUDA版本是11.7的，如果要切换到11.0版本的，只需要把下面的五条整体上移到CUDA_11.7配置的前面

微信截图_20230930105411

验证

测试CUDA11.7

首先验证CUDA_11.7是否配置成功

image-20230930105601201

测试Pytorch是否可以调用显卡

python
import torch
torch.cuda.is_available()
torch.cuda.get_device_name(0)
torch.version.cuda

image-20230930120418607

测试CUDA11.0

先把系统变量里Path里相关路径上移

微信截图_20230930110409

然后重启！重启！重启！

验证CUDA_11.7是否配置成功

image-20230930112425329

测试Pytorch是否可以调用显卡

image-20230930112626663

总结

切换CUDA的时候除了要修改系统变量Path中的路径顺序，一定要记得重启！

本文章已经生成可运行项目
详细讲解如何在win10系统上安装多个版本的CUDA
Al Hg的博客
02-12 38万+
前言： 当我们在部署多个AI项目时，常常会需要多个python环境，虽然Anaconda能够解决大多数项目所需的不同环境，但是对于环境跨度较大所需CUDA版本不同的项目显然Anaconda就不能很好的解决，这时我们就需要在自己的电脑上同时配置多个版本的CUDA开发环境，就不需要频繁的更换不同环境的电脑，基于此本文将详细介绍如何在win10系统上的电脑安装多个版本CUDA开发环境。
windows系统安装多个版本cuda，随时切换
m0_56896669的博客
03-08 5556
在windows系统中安装多个版本的cuda，使用的时候可以快速切换cuda版本
windows11下安装多个cudab和切换cuda
weixin_43977681的博客
03-21 1626
本机上已经安装了11.2版本的cuda，新的项目想要一个版本较高的pytorch，查看显卡可支持11.6版的cuda。即在已有cuda11.2的情况下安装cuda11.6。
如何在电脑上安装多个版本的CUDA
热门推荐
L1778586311的博客
01-09 4万+
有时候有的项目要求很苛刻，有的需要CUDA>9.0，有的又要CUDA>10.0…无可奈何只能安装多个CUDA 文章目录环境配置CUDA下载安装（已存在一个）cuDNN下载安装环境变量配置测试 环境配置 CUDA9.2，cuDNN7.1.4 想了解如何配置正确的环境，避免包版本的冲突，可以到这里了解一下conda下载各种包时如何避免版本不匹配问题 CUDA下载安装（已存在一个） gpu版pytorch安装教程，这里讲解了如何安装CUDA，如果我们想再装一个不同版本，继续看下去… CUDA下载直达链
win11 安装NVIDIA多版本cuda 12.4 12.6 12.8 13.0
最新发布
10-21 903
Windows 11支持多版本CUDA共存与切换。当前系统安装CUDA 13.0，可通过修改环境变量实现版本切换：1）下载所需版本（如12.4/12.6）并自定义安装路径；2）在环境变量中修改CUDA_PATH和Path的路径顺序来切换版本。注意：可选择性安装cuDNN，建议将不同版本安装在不同目录（如D盘），通过调整环境变量优先级实现快速版本切换。
Ubuntu18.04下安装pytorch步骤&多cuda版本共存（啰嗦版）
weixin_54489145的博客
04-07 5934
Ubuntu18.04下安装pytorch步骤（啰嗦版）
【多版本cuda自由切换】在ubuntu上安装多个版本的CUDA，并且可以随时切换cuda-11.3//cuda-11.8//cuda-11.6//cuda-11.2
BetrayFree的博客
12-11 1万+
项目开发中，不同的项目可能对不同的cuda版本有所要求，常见的是这几种cuda-11.3//cuda-11.8//cuda-11.6，按照之前的认知，一个主机只能安装一个版本的cuda，否则会引起环境混乱，知道cuda底层逻辑的人都知道这有多么扯蛋，对吧。一般来说，单cuda直接说明版本就可以了，不需要配置其他的，但是也可以通过软链的方法把安装的版本连接过去，二者的作用是一样的，因为系统加载是靠加载bashrc文件的。需要注意的是，命令行的配置也需要文件配置的基础，只是需要知道，
windows安装多个版本的cuda
qq_36437991的博客
05-05 3354
cuda安装不同版本
电脑上同时安装多个版本的cuda
小白冲鸭的博客
03-12 2026
比如，我原本安装的cuda是9.0版本的，现在我新安装的cuda是9.2版本的。当需要配置多个anaconda虚拟环境，并且其tensorflow或pytorch的版本不同时，所需的cuda的版本也不同，因此，可能会需要在电脑上同时安装多个版本的cuda。）那么，只要让新版本的（9.2版本的）cuda的这四个环境变量的位置，在旧版本（9.0）cuda的这四个环境变量的位置 之上即可。然后一路确定退出，再在cmd中输入nvcc -V，即可返回新安装的cuda的版本：9.2。
Win11配置Anaconda-Cuda-Pytorch-Tenserflow环境
Otto的学习笔记
06-06 3239
配置深度学习的环境
Win11CUDA13本地安装包第一部分
10-08
在Windows11操作系统环境下，CUDA的安装包通常被设计成多个部分，以便于用户下载和安装。本次提供的文件名为“Win11CUDA13本地安装包第一部分”，这意味着它是一个三部分安装包中的第一个。 由于这是一个专门为...
win10+VS2017+Cuda10.0环境配置详解
08-18
3. CUDA的编程模型是SIMT（Single Instruction, Multiple Threads），即同一个指令在多个线程上执行。 五、Cuda的应用 1. 图像处理：Cuda可以用于图像处理，例如图像滤波、图像缩放等。 2. 机器学习：Cuda可以...
Win11CUDA13本地安装包第三部分
10-08
CUDA的安装包括多个组件，比如CUDA Toolkit、CUDA Samples、CUDA Visual Studio Integration等。CUDA Toolkit提供了进行GPU编程所必需的编译器、库文件和运行时环境。CUDA Samples则包含了一系列示例程序，这些程序...
【安装多版本CUDA】Windows系统，在已有一个CUDA版本下安装另外一个版本的CUDA，并安装与之对应版本的cuDNN，超详细教程!
weixin_49179299的博客
02-18 9446
在Windows系统下，安装多版本cuda并实现不同版本的cuda随意切换，满足不同代码cuda环境需求。本文是在已经安装过一个cuda版本基础上再安装另外一个版本。同时还安装与之对应版本的cudnn
Windows11下多版本CUDA的安装与切换
weixin_66540163的博客
03-30 9509
所以在安装新版本的 CUDA 时，一定不能高于该版本，我需要的新环境的 CUDA 版本为 9.0，低于 12.2，可以安装。更改 CUDA 安装时缓存位置（默认为 C盘，不更改也可以，但得与原先安装的 CUDA 的安装缓存位置不同，或者该位置为空）安装完新版本的 CUDA 后，此时运行的环境为新版本的 CUDA，当我们需要切换为其他版本时，仅需要对环境变量进行修改即可。至此， 新版本的 CUDA 与 cudnn 安装成功，可以使用该版本的 CUDA 进行 GPU 加速了。
windows下多个cuda的安装与切换
Jackie_Chen731的博客
03-24 1525
先在中找到自己需要的cuda版本。在这里可以看到以前版本的cuda，从中选择自己需要的版本。下载完成之后正常安装，过程略过。
在Windows上安装多个版本的cuda-cuda11.8
weixin_38787389的博客
07-12 1864
1.
【环境配置】windows多版本CUDA和CUDNN安装
VAN的博客
11-11 2127
windows多版本CUDA和CUDNN安装
Window&Linux多CUDA环境安装不用愁啦
qq_36088907的博客
05-27 1458
windows 安装 conda安装 tf2.0 因为tf2需要cuda10，本人一直在用9.2的1.x版本。此方法能有效避免系统python版本和pip包覆盖问题，还能成功安装多个版本的cuda 安装工具：Miniconda、PC 1.下载conda（miniconda更简洁，节省内存） 多个版本下载地址，自取~ Windows 下载地址 https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Windows-x8
安装两个CUDA吗
06-10
<think>首先，用户的问题是：我想询问是否可以安装两个CUDA版本或如何安装多个CUDA版本。请问如何在同一系统中安装多个CUDA版本我需要参考提供的引用。这些引用是关于在同一系统中安装多个CUDA版本的讨论。-引用[1]：提到在同一个主机上安装不同版本的CUDA，通过修改CUDA_HOME实现切换。但未完成，不要看。-引用[2]：讨论在Linux系统中安装多个CUDA版本，使用符号链接切换。-引用[3]：详细描述多版本CUDA共存架构，通过符号链接管理不同版本。-引用[4]：解释如何查看CUDA版本，以及是否可以安装多个版本。提到nvidia-smi显示支持的版本，nvcc-V显示当前使用的版本。-引用[5]：介绍在Ubuntu中使用docker容器管理不同CUDA版本。系统级指令要求：所有行内数学表达式用$...$，但CUDA安装不涉及数学，所以可能不适用。独立公式单独成段，但如果不需要，就省略。使用中文回答。生成相关问题。在引用的段落末尾自然地添加引用标识。回答结构要清晰、逐步解决问题，保证真实可靠。用户的问题是如何在同一系统中安装多个CUDA版本。参考引用，常见方法是：-在Linux中，通过安装不同版本到不同目录（如/usr/local/cuda-11.8,/usr/local/cuda-12.3），然后使用符号链接（如/usr/local/cuda链接到某个版本）来切换默认版本。通过设置环境变量来控制，例如设置PATH和CUDA_HOME。-另一个方法是使用docker容器（如引用[5]），每个容器有不同的CUDA版本。关键步骤：1.**安装多个版本**：下载不同的CUDAToolkit版本，安装到不同路径。例如：-/usr/local/cuda-11.8-/usr/local/cuda-12.32.**管理版本切换**：-使用符号链接：/usr/local/cuda符号链接指向当前使用的版本。切换时需要更新符号链接。-通过环境变量：设置PATH,LD_LIBRARY_PATH,CUDA_HOME等指向特定版本的目录。3.**在代码中指定路径**：如果使用特定框架（如PyTorch），编译时指定CUDA路径。4.**使用工具**：如update-alternatives在Linux中管理。5.**Docker方法**：在docker容器中隔离环境，每个容器有自己的CUDA版本（引用[5]）。引用[3]提到了精确切换方案：符号链接决定默认版本。引用[4]澄清：nvidia-smi显示支持的最高版本（由GPU驱动程序决定），nvcc-V显示当前使用的CUDAToolkit版本。我的回答应该：-确认可以安装多个CUDA版本。-详细步骤在Linux系统中安装和管理多个版本。-提到docker选项作为替代方法。-由于用户提到“同一系统中”，主要讨论非容器方法。结构清晰：1.引言：确认可能性。2.步骤：如何安装、配置和管理多个版本。3.示例：包括设置环境变量或更新符号链接。4.在Windows（如果引用中提到）：引用[3]提到Win/Linux双平台，但用户没指定操作系统。假设主要Linux，但简要提及。5.结束：生成相关问题。生成相关问题：系统指令要求生成相关问题。回答中引用的段落末尾添加引用标识。自然地添加。例如，当解释使用符号链接时，引用[3]。当解释nvidia-smi和nvcc时，引用[4]。当提到docker时，引用[5]。最终回答用中文。大纲：-**介绍**：是的，可以在同一系统中安装多个CUDA版本。这通过安装工具包到不同目录并使用环境变量或符号链接实现切换[^2][^3]。-**为什么需要**：兼容性问题，旧代码需要特定版本。-**如何安装**：1.下载需要的CUDAToolkit版本。2.安装每个版本到不同路径，例如：-/usr/local/cuda-11.8-/usr/local/cuda-12.33.使用符号链接或环境变量切换默认版本。-**切换方法**：-Linux:创建符号链接指向/usr/local/cuda的目标。通过ln-s命令更新链接。-设置环境变量：exportPATH="/usr/local/cuda-11.8/bin:$PATH"，exportLD_LIBRARY_PATH="/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH"，exportCUDA_HOME="/usr/local/cuda-11.8"-使用脚本或工具如update-alternatives。-**验证**：运行nvcc-V检查当前版本[^4]。-**Docker替代方法**：使用docker容器管理不同的CUDA环境，避免冲突[^5]。-**注意事项**：确保GPU驱动程序支持所需版本（nvidia-smi显示驱动版本）[^4]。生成相关问题：例如：1.如何安装CUDAToolkit的不同版本？2.在Linux中如何更新CUDA版本的符号链接？3.使用docker管理多个CUDA环境有什么优势？确保语言流畅、专业。</think> ### 是否可以在同一系统中安装多个CUDA版本？ 是的，您可以在同一个操作系统中安装多个CUDA版本，这在处理不同版本的深度学习框架或旧代码时非常有用。例如，PyTorch或TensorFlow可能要求特定CUDA版本才能兼容。关键是通过安装CUDA Toolkit到不同目录，并使用环境变量或符号链接来切换活动版本。这不仅避免版本冲突，还提升了开发灵活性。参考[^2][^3][^4]，以下我将详细介绍步骤和实现方法，重点基于Linux系统（如Ubuntu），并简要提及Windows。 #### 为什么需要多版本CUDA？ - **兼容性问题**：深度学习框架如PyTorch通常依赖特定CUDA版本（如PyTorch最新版可能要求CUDA 12.x，但旧代码需要CUDA 11.x）。如果您运行旧代码时重装CUDA，会很繁琐。 - **版本隔离**：通过多版本共存，您可以按需切换，减少系统干扰。 - **驱动支持**：GPU驱动决定CUDA的最高支持版本（通过`nvidia-smi`查询），但多个CUDA Toolkit可共存于一个驱动下[^4]。例如，nvidia-smi可能显示支持CUDA 12.4，而您同时安装CUDA 11.8和12.3。 #### 如何在Linux系统中安装和管理多个CUDA版本（以Ubuntu为例） 以下步骤基于Linux环境，使用符号链接和环境变量管理版本。原理是：每个CUDA版本安装在独立目录（如`/usr/local/cuda-11.8`），然后通过软链接`/usr/local/cuda`指向当前活动版本，实现无缝切换。 **步骤1：安装多个CUDA Toolkit** - 下载所需CUDA版本：访问 [NVIDIA CUDA Toolkit Archive](https://developer.nvidia.com/cuda-toolkit-archive)，下载不同版本的安装包（如`cuda_11.8.run` 和 `cuda_12.3.run`）。 - 安装时指定路径：运行安装脚本时使用`--installpath`参数，避免覆盖现有版本。例如： ```bash # 安装CUDA 11.8到指定目录 sudo sh cuda_11.8.run --installpath=/usr/local/cuda-11.8 # 安装CUDA 12.3到另一个目录 sudo sh cuda_12.3.run --installpath=/usr/local/cuda-12.3 ``` - 在安装过程中，**取消勾选安装NVIDIA驱动**（除非需要更新），并**禁用创建全局符号链接**，以避免自动覆盖[^3]。 - 验证安装：检查每个版本的目录是否创建（如`ls /usr/local/cuda-11.8`）。 **步骤2：设置符号链接管理默认版本** - 创建默认符号链接：首次安装时，手动创建`/usr/local/cuda`链接到其中一个版本。例如，设CUDA 11.8为默认： ```bash sudo ln -s /usr/local/cuda-11.8 /usr/local/cuda ``` - 切换版本：更新符号链接指向目标版本。例如，切换到CUDA 12.3： ```bash sudo rm /usr/local/cuda # 移除旧链接 sudo ln -s /usr/local/cuda-12.3 /usr/local/cuda # 创建新链接 ``` 这样，所有工具（如`nvcc`）会通过`/usr/local/cuda/bin`访问当前版本[^3]。 **步骤3：配置环境变量** - 在Bash配置文件中（如`~/.bashrc`）添加变量，确保应用能识别活动版本。例如： ```bash # 打开配置文件 nano ~/.bashrc # 添加以下内容 export PATH="/usr/local/cuda/bin:$PATH" # 优先使用当前cuda链接的路径 export LD_LIBRARY_PATH="/usr/local/cuda/lib64:$LD_LIBRARY_PATH" export CUDA_HOME="/usr/local/cuda" # 关键环境变量，框架依赖于此 ``` 重新加载配置：`source ~/.bashrc`。切换符号链接后，这些变量会自动指向新版本。 - **切换脚本**：创建快捷脚本（如`switch_cuda.sh`）简化切换： ```bash #!/bin/bash if [ "$1" = "11.8" ]; then sudo rm -f /usr/local/cuda sudo ln -s /usr/local/cuda-11.8 /usr/local/cuda echo "Switched to CUDA 11.8" elif [ "$1" = "12.3" ]; then sudo rm -f /usr/local/cuda sudo ln -s /usr/local/cuda-12.3 /usr/local/cuda echo "Switched to CUDA 12.3" fi source ~/.bashrc ``` 使用时运行：`sudo ./switch_cuda.sh 11.8`[^3]。 **步骤4：验证和测试** - 检查当前版本： - `nvcc -V` 或 `nvcc --version`：显示当前CUDA Toolkit版本（对应于`/usr/local/cuda`）。 - `nvidia-smi`：显示GPU驱动支持的最高CUDA版本，独立于Toolkit[^4]。 - 运行测试脚本：使用PyTorch代码加载CUDA库，确认无误。 **注意事项**： - **驱动兼容性**：确保GPU驱动（`nvidia-smi`显示）支持所有安装的CUDA版本。如果驱动太旧，请先升级。 - **路径冲突**：如果`/usr/local/cuda`已被其他工具占用，优先使用环境变量`CUDA_HOME`在框架中覆盖。 - **Windows系统**：安装多版本时，通过环境变量管理。例如： - 设置`CUDA_PATH`（如`CUDA_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8`）。 - 更新`PATH`变量指向`%CUDA_PATH%\bin`。 - 推荐使用脚本工具（如Conda或Batch文件）动态切换[^3]。 #### 替代方法：使用Docker管理多版本（推荐用于容器化环境） 如果直接安装太复杂，或者系统环境要求高隔离性，建议使用Docker容器。每个容器独立运行特定CUDA版本，避免路径冲突[^5]。 - 步骤： 1. 安装Docker：`sudo apt-get install docker.io`。 2. 拉取带不同CUDA的镜像：例如： ```bash docker pull nvidia/cuda:11.8-devel # CUDA 11.8容器 docker pull nvidia/cuda:12.3-devel # CUDA 12.3容器 ``` 3. 运行容器：指定环境变量： ```bash # 启动CUDA 11.8容器 docker run --gpus all -it --rm nvidia/cuda:11.8-devel /bin/bash # 在容器内运行nvcc -V ``` - 优点：完全隔离，无需修改主机系统；缺点：需管理多个容器[^5]。 #### 常见问题解答 - **Q：安装多个CUDA会影响性能吗？** A：不会，只有当前使用的版本（通过符号链接或环境变量激活）会影响运行性能。 - **Q：如果版本切换失败怎么办？** A：检查`PATH`和`CUDA_HOME`变量是否正确指向目标目录，使用`echo $PATH`验证。确保没有多个cuda路径冲突。 - **Q：PyTorch如何识别不同CUDA版本？** A：PyTorch编译时会读取`CUDA_HOME`环境变量。安装时指定路径如：`pip install torch --index-url https://download.pytorch.org/whl/cu118`。 通过上述方法，您可以在同一系统灵活管理多个CUDA版本，专注于应用开发。如需具体框架帮助，请提供更多细节。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Otto_1027

蟹蟹你，我会继续努力的~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值