love530love的博客

Windows系统安装nvidia-nccl-cu12问题摘要 本文探讨了Windows系统无法安装nvidia-nccl-cu12的根本原因。问题主要源于： PyPI上的nvidia-nccl-cu12仅为占位项目，实际包托管在NVIDIA Python Package Index 当前仅提供Linux平台的whl文件（manylinux_x86_64和aarch64） Windows平台标签（win_amd64）与现有包不兼容 解决方案尝试： 先安装nvidia-pyindex 检查平台标签兼容性 确认

本文提供了Windows系统Python虚拟环境中安装CUDA相关包的完整指南。针对cutensor-cu12、tensorrt-cu12-libs和nvidia-cudnn-cu12三个核心包，详细介绍了预编译.whl文件的下载方法、安装步骤和验证流程。文章重点解决常见安装问题，包括版本匹配、依赖项缺失和CUDA兼容性等，并对比了直接pip安装、使用镜像源和源码编译等失败方案。通过本地安装预编译包的方法，确保在Python虚拟环境中实现稳定可靠的CUDA加速环境搭建，为科学计算和深度学习项目提供GPU加速

本文详细介绍了在ComfyUI中安装NVIDIA Apex库以支持CUDA扩展的完整过程。从最初遇到的"Nvidia APEX normalization not installed"错误开始，作者尝试了多种解决方案：直接pip安装、源码编译、带CUDA扩展的编译等，但都未能完全解决问题。最终通过修改setup.py文件，注释掉CUDA版本检查代码，成功完成了安装。文章提供了详细的步骤说明和关键代码修改，帮助读者彻底解决这一常见安装问题，使ComfyUI能够充分利用Apex的性能优化功能

Intel oneDNN是面向深度学习的跨平台性能优化库，提供卷积、矩阵乘法等核心操作的硬件加速。该指南介绍了oneDNN 2025.3版本的新特性，包括CPU/GPU优化、自动调优功能和丰富的原语集合。文章详细讲解了安装配置、快速入门示例以及性能优化策略，如数据类型选择、内存格式优化和操作融合等。此外还展示了在计算机视觉、NLP等场景的应用案例，以及如何与TensorFlow、PyTorch等框架集成。oneDNN通过统一的API实现跨架构支持，帮助开发者在Intel处理器上获得最佳性能表现。

xFormers作为Meta开发的Transformer优化库，在安装过程中常因版本不匹配导致问题。本文详细分析了xFormers与PyTorch、CUDA的版本对应关系，并提供了三种正确安装方法：1) 使用特定index-url安装(推荐)；2) 从源码安装；3) 指定版本安装。安装后可通过检查版本号、xFormers配置和CUDA支持进行验证。正确匹配版本能避免PyTorch被降级为CPU-only版本的问题，确保xFormers发挥最佳性能。

解决PyTorch的CUDA错误"AssertionError: Torch not compiled with CUDA enabled"指南：该错误通常由PyTorch未启用CUDA支持或版本冲突导致。解决方法包括：1.检查当前PyTorch版本；2.从官网获取正确安装命令（含torchvision和torchaudio）；3.强制重装指定版本；4.验证安装结果。其他方案包括完全重装、使用PEP517参数等。预防措施建议使用虚拟环境并注意版本兼容性。最终通过正确安装CUDA支持的Py

本文介绍基于EPGF架构理念的FaceFusion本地部署方案。EPGF是工程化Python治理体系，通过多级隔离实现环境可控。教程详细说明在Windows下使用.venv虚拟环境部署FaceFusion的步骤：1)克隆仓库；2)切换Python3.12环境；3)创建虚拟环境；4)升级基础工具；5)安装PyTorch GPU版；6)可选安装TensorRT；7)安装CUDA版ONNXRuntime；8)启动程序。重点实现版本隔离、依赖隔离和工具链隔离，确保环境纯净且可复现。最后提供部署验证方法和常见问题解决

本文详细介绍了在Windows系统下安装TensorRT 10.13.3.9（适配CUDA 13.0）的全流程指南。主要内容包括：1）前期准备，确认CUDA、cuDNN等依赖版本；2）解压安装包并配置系统环境变量；3）安装Python接口；4）通过Python和C++两种方式验证安装；5）常见问题解决方案。特别提供了跨CUDA版本调用维护实例（系统CUDA13.0与虚拟环境CUDA12.8差异场景），包含FaceFusion项目的TensorRT加速配置方法。文章配有详细操作截图和错误排查指南，帮助开发者顺

本文提供了Anaconda极简路径治理的全流程指南，重点介绍将Anaconda安装到D:\A路径的方案。主要内容包括：1）彻底卸载旧版本的详细步骤；2）将新版本精准安装到D:\A路径的方法；3）验证安装及配置国内镜像源；4）在D:\A\envs路径下创建多版本Python虚拟环境；5）工具链本地化实现项目级环境自治。该方案通过字符最短化、路径统一化的设计，解决了传统安装路径冗长、管理混乱的问题，便于多机部署和迁移。文中包含卸载清理、安装配置、环境创建等各环节的具体操作命令和截图说明，同时强调工具链本地化对项

1. 问题场景WSL（适用于 Linux 的 Windows 子系统）默认将发行版（如 Ubuntu）存储在 C 盘 AppData\Local\Packages 目录下，长期使用易导致 C 盘空间不足，影响系统性能。2. 迁移目标将已安装的 WSL 发行版（如 Ubuntu、Ubuntu-Preview）从 C 盘迁移到 D 盘指定目录（如 D:\wsl），后续 WSL 数据直接存储在 D 盘，避免 C 盘占用。

本文是阿里 Wan2.1-T2V-14B 模型的本地部署全流程指南。涵盖从克隆仓库、创建虚拟环境、调整依赖配置，到安装 PyTorch、项目依赖及 flash-attn 的步骤。详细说明通过 Hugging Face 和 ModelScope 下载模型的方法，包括解决 Xet Storage 存储的性能优化依赖。还介绍了运行测试命令及参数调整建议，同时提及模型支持消费级 GPU、多任务处理等特性，以及集成到 Diffusers 和 ComfyUI 的相关信息，助力用户顺利完成模型部署与使用。

本文详细记录了在Windows平台部署SkyReels-V2视频生成项目的完整过程。针对官方仅支持Linux环境的情况，作者通过多次尝试和版本适配，最终找到稳定运行方案。关键步骤包括：1）环境检查（显卡驱动、CUDA版本）；2）创建Python3.11虚拟环境；3）安装特定版本PyTorch（2.7.0）和适配Windows的依赖库；4）配置模型缓存路径；5）编写测试脚本并优化参数。文中重点解决了Triton编译、flash_attn安装等Windows特有兼容性问题，提供了显存优化建议和常见报错解决方案，

在 WSL-NVIDIA-Workbench（NVIDIA AI Workbench & Ubuntu 22.04）中

因需安装依赖本地CUDA编译的软件包，需完整部署CUDA Toolkit、cuDNN及PyTorch环境。从CUDA12.9版本起，NVIDIA支持通过Anaconda安装cuDNN，故调整流程为先装Anaconda（前置）→再装CUDA13.0→接着装cuDNN9.12→最后装PyTorch，确保版本适配且操作高效，关键步骤附官方及实操参考链接，保障可复现性。

这个报错说明你的 ONNX Runtime（ORT）在尝试加载 CUDA 加速时失败了，主要原因是 缺少 CUDA 12.x 和 cuDNN 9.x 的运行环境，或者相关依赖没有被正确识别。

cuDNN 作为基于 CUDA 的深度学习加速库，在 CUDA 13.0 更新后，其 9.11 版本也已发布，官方网页对该版本有详细介绍。

NVIDIA CUDA 13.0 发布：新特性与快捷更新安装全解析

Windows11安装支持CUDA12.3的Pytorch版本，验证PyTorch是否安装成功

好消息，最新CUDA和cuDNN安装，可以用安装包直装了！CUDA12.6和cuDNN9.6.0 Windows系统

1、 nvcc -V 正确显示版本号。2、 nvidia-smi 无报错。​3、 环境变量已写入 .bashrc，并通过 source 生效。​。

记录工作直接在stable diffusion webui的conda环境升级CUDA版本后，再打conda虚拟环境后，出现大段报错和输出。

FaceFusion 3.3.0 使用 Docker 本地部署 (CUDA GPU支持) 操作记录（基于克隆仓库的原始流程）

记录工作实践。

工作记录。

记录工作。

🚀【CUDA GPU 支持安装全攻略】PyTorch 深度学习开发者指南面向对象：初学者、研究人员、生产部署人员适用平台：Windows / Linux / WSL / 容器环境等全平台支持

yTorch 的 CUDA GPU 支持 · 安装五条铁律（最新版 2025 修订）（适用于所有用户）总结一句话：PyTorch GPU 安装，不靠猜：驱动决定上限，命令来自官网，三件套版本对齐装，联网顺利下载全，验证支持才算完。

只跑 PyTorch + CUDA 模型 → 不需要 CUDA 工具链想用 CUDA 写代码或编译插件 → 一定要装 CUDA 工具链使用目标是否推荐预装 CUDA Toolkit学习使用 PyTorch GPU❌ 不推荐，直接 pip/conda 安装即可开发 PyTorch 插件 / 自定义 CUDA 算子✅ 推荐，必须使用 CUDA 编译工具构建/部署生产环境✅ 强烈推荐，便于稳定运维和调试总之，预先安装能很大程度上避免全局中的项目开发因CUDA工具链不完善而受阻的情况发生。

你以为你只装了一个工具，实际上你获得了一个个独立的 Linux 开发空间。这些由第三方工具生成的 WSL 实例，是现代 Windows 开发者最容易忽视的“隐藏资源”。它们不仅帮你节省了手动安装发行版的时间，还带来了更多灵活性和选择空间。它们不只是工具，更是为你悄悄准备好的 Linux 环境工厂。

（部分整理，未完整罗列）

总结。

NVIDIA 已从2023 年开始逐步开放 CUDA 和 cuDNN 的免登录下载功能CUDA 12.1+：官网直接下载，无需登录：可通过构造直链绕过登录流程下载旧版本（CUDA 11.x、cuDNN 8.7.0 及以下）：官方仍需登录，但可通过直链或第三方渠道绕过建议开发者优先使用免登录新版本，提升开发效率并确保安全性。

在深度学习领域，CUDA、cuDNN 和 torch 之间具备向下兼容特性。这得益于它们的自动适配安装机制，会依据当前环境以及已有库状况，安装最合适版本，所以开发者无需因验证版本号与安装版本号不一致而忧心。目前，torch 官方尚未发布支持 CUDA 12.9 的版本。当在 Windows 主系统完成 CUDA Toolkit 12.9 与 cuDNN 9.9.0 升级后，若未在 conda、virtualenv 等虚拟环境中另行安装适配新版本的库，验证时会呈现虚拟环境中原先的版本信息。

情景回顾：安装新系统后，下载安装最新Visual Studio 2022后开始安装CUDA12.8，结果一直卡在CUDA程序的这个界面，尝试了各种办法，重启无数次，最后无奈只有尝试了降级Visual Studio 2022版本号才得以继续。只有降级Visual Studio 2022的版本号到17.13以下，才能正常安装，这是因为官方已经发现17.3版本和CUDA12.8确实存在冲突问题。降级到17.9后安装正常，注意，需要卸载新的版本后重启电脑，然后再安装特定的版本（版本号<17.13）。

NVIDIA 近日发布了 CUDA Toolkit 12.9，为开发者提供了一系列新功能和改进，旨在进一步提升 GPU 加速应用的性能和开发效率。CUDA Toolkit 是创建高性能 GPU 加速应用的关键开发环境，广泛应用于从嵌入式系统到超级计算机的各种计算平台。

通过严格按照上述步骤操作，特别是使用 PyTorch 官方网站生成的安装命令，我们能够确保torch和torchaudio三个包的版本兼容性，从而 100% 成功安装带有 CUDA 12.8 GPU 支持的 PyTorch。在安装过程中，要仔细检查每个步骤，根据不同的项目需求准确判断并配置安装选项，确保满足先决条件。同时，优先选择pip或conda从官方网站获取命令进行安装，避免使用不推荐的本地安装方式。希望这份攻略能够帮助我们顺利搭建起高效的深度学习开发环境。

UniGetUI（前身为 WingetUI）是一款专门为 Windows 10（x64）和 Windows 11 系统打造的图形化包管理器界面工具。它集成了 Winget、Scoop、Chocolatey、Npm、Pip、Cargo、vcpkg、.NET Tool 和 PowerShell 等多种常用包管理器的功能，为用户提供了便捷的软件管理体验，无需记忆复杂的命令参数，即可轻松完成软件的搜索、安装、更新和卸载等操作。以下是详细的下载与使用教程。

工作记录python以进入python环境，如果是虚拟环境则需要先激活要验证的虚拟环境。这段 Python 脚本主要用于检查 PyTorch 深度学习环境的配置信息，并进行简单的张量运算，下面为详细解释它们的具体作用。

记录工作提示：整个过程最好先开启系统代理，也可以用镜像源，确保有官方发布的最新特性和官方库的完整和兼容性支持。期间下载会特别慢，需要在系统上先开启代理，然后WSL设置里打开网络模式“Mirrored”,以设置WSL自动使用主机上的代理网络。【WLS2怎么设置网络自动代理 - 优快云 App】https://blog.youkuaiyun.com/u014451778/article/details/146073726?

在 Windows 系统开发环境中，Podman Desktop 凭借强大的容器管理与 WSL-Linux 子系统集成能力备受开发者关注。其中，podman-machine-default 是 Podman Desktop 安装后自带的默认 WSL-Fedora 子系统，支持与显卡通信，可用于搭建深度学习环境及部署 AI 项目。解锁新技能！Windows 11 借助 WSL - Linux 部署 GitHub 项目全攻略_wsl github-优快云博客。