快速切换 CUDA 版本-Windows 系统

今天创建了一个新的CUDA版本11.3，原来是11.8，关于两个版本如何切换做一些记录。总结来看主要就两步：1.将系统变量PATH中现在所需版本的CUDA路径上移到另一个版本前面从而优先使用该版本；2.系统变量CUDA_PATH设置为对应版本的路径（可选但推荐）。配置过程参考的GPU版本pytorch的安装
以下是针对 Windows 系统 切换 CUDA 版本到 11.3 的详细步骤：

---

1. 调整环境变量优先级

CUDA 版本的选择由环境变量 PATH 中路径的 顺序 决定。系统会优先使用 PATH 列表中 靠前路径 下的 CUDA 工具包。按以下步骤操作：

步骤 1：打开环境变量设置界面

1. 按下 Win + S，搜索 “编辑系统环境变量”，点击进入。
2. 在 “系统属性” 窗口中，点击 “环境变量” 按钮。

步骤 2：修改 PATH 变量

1. 在 “系统变量” 列表中找到 Path，双击编辑。
   

2. 确保以下两个 CUDA 11.3 的路径 位于 CUDA 11.8 的路径之前：

   C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\bin
   C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\libnvvp
   

   • 使用 “上移” 按钮将 CUDA 11.3 的路径移到 CUDA 11.8 的路径上方。
   • 最终顺序示例： 我的CUDA安装路径进行了修改所以是下图所示。
     

3. 点击 确定 保存所有窗口。

---

2. 验证 CUDA 版本切换

方法 1：通过命令行检查

1. 注意打开新的 命令提示符（重要：旧的终端不会继承新环境变量）。
2. 执行以下命令验证 CUDA 版本：

   nvcc --version
   

   • 如果输出显示 release 11.3，表示已切换成功。
   • 如果仍显示 11.8，回到步骤 1 检查 PATH 顺序。

方法 2：通过 where 命令检查优先级

where nvcc

• 输出应首先显示 CUDA 11.3 的 nvcc.exe 路径：
  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\bin\nvcc.exe

---

3. 处理 CUDA_PATH 变量（可选但推荐）

某些程序（如 Visual Studio）会依赖 CUDA_PATH 环境变量。为确保一致性，在使用对应版本的CUDA时，需要改为对应版本的路径：

1. 在 环境变量 界面中，检查是否存在 CUDA_PATH：
   • 如果存在且指向 CUDA 11.8（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8），将其值改为 CUDA 11.3 的路径：
     C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3
   • 如果不存在，可手动新建 CUDA_PATH 变量并指向 CUDA 11.3。
     

---

4. 临时切换 CUDA 版本（无需修改系统变量）

如果仅需在 当前终端会话 中使用 CUDA 11.3，可直接在命令行临时设置路径优先级：

# 临时将 CUDA 11.3 的路径添加到最前面
set PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\bin;C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\libnvvp;%PATH%

• 此方式退出终端后失效，适合快速测试。

---

5. 深度学习框架适配

切换 CUDA 版本后，需确保深度学习框架（如 PyTorch/TensorFlow）链接到正确的 CUDA 11.3 库：

1. PyTorch：
   安装与 CUDA 11.3 兼容的版本（如 torch==1.12.1+cu113）：

   pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113
   

2. TensorFlow：
   安装 tensorflow-gpu==2.6.0（对应 CUDA 11.3）：

   pip install tensorflow-gpu==2.6.0
   

---

6. 常见问题解决

问题 1：切换后 nvidia-smi 显示的 CUDA 版本仍是 11.8

• 原因：nvidia-smi 显示的是驱动支持的 最高 CUDA 版本，与当前使用的 CUDA 工具包版本无关。
• 解决方案：忽略此信息，以 nvcc --version 为准。

问题 2：程序仍调用 CUDA 11.8 的库

• 检查点：
  1. 确保 PATH 中 CUDA 11.3 路径在 11.8 之前。
  2. 重启所有依赖 CUDA 的程序（如 IDE、Jupyter Notebook）。
  3. 清理程序缓存（如 PyTorch 的 __pycache__）。

---

总结

通过调整 PATH 顺序和 CUDA_PATH，你可以无缝切换 CUDA 11.3 和 11.8。记得验证关键命令的输出，并确保深度学习框架与 CUDA 版本匹配。