Win11环境下显卡驱动、CUDA和cuDNN的安装

Win11环境下显卡驱动、CUDA和cuDNN的安装

---

前言

本文主要针对从事图像处理、计算机视觉研究，且需要深度学习算法以辅助计算的研究人群。目前大多数的深度学习算法均需要调用电脑专用GPU，最常用的深度学习架构有PyTorch，而CUDA和cuDNN则是利用电脑GPU计算必装的配置。

一、准备工作

在配置CUDA和cuDNN之前，需要确保自身的电脑配置有NVIDIA显卡，且已经安装了驱动。如果未安装驱动，见下文：

1.查看自身显卡驱动版本

在win11底部的搜索栏中，搜索设备管理器。

2.根据显卡信息下载对应的驱动程序

下载地址：NVIDIA驱动程序

如何选择对应的类型？

• 产品类型为Geforce；产品系列根据自己的设备，笔记本电脑一般为Notebooks；产品对应于上述的设备管理器；操作系统和语言适配自己即可。
• 选择好之后，点击搜索可以看到两类驱动程序，一个是NVIDIA Studio，一个是GeForce Game Ready。Studio较为专业，适合干活，打游戏较多的话可以选择Game Ready。如果都有需求的话，比较推荐Studio版本。

3.查看安装是否成功

通过Win + R，输入cmd进入终端，输入:

nvidia-smi

看到如下信息，即证明显卡驱动已经安装完成。

同时上述信息也可以看到设备显卡的版本号，对应于Driver Version：566.14；CUDA最高支持版本对应于CUDA Version：12.7。

二、CUDA的安装

1.查找适配版本

如何查找适配版本？点击下方链接，进入Table 3：CUDA Toolkit and Corresponding Driver Versions中。
版本适配链接

根据自己的Driver Version和CUDA Version选择最终要安装的CUDA版本，同时也要考虑到自己要做的任务，例如深度学习中PyTorch架构支持的CUDA版本，一般CUDA>=11.8。

2.CUDA的下载

CUDA的下载链接如下：
下载链接 CUDA
点击界面右下角Resources中的Archive of Previous CUDA Releases，可以查看其他的CUDA版本。

选择好版本后，依次选择该版本下的：

• Operating System操作系统：Windows
• Architecture架构：x86_64
• Version版本：11
• Installer Type安装类型：local

如下图所示。

注意：

1. CUDA的安装不同于Anaconda的安装，不需要添加环境变量，系统会帮你设置完成。
2. 首次下载，自定义安装全都打勾；非首次，只打第一个勾。
3. 如何卸载，安装新的版本：下图中对应安装版本的四个全部卸载，以及所添加的12.1相关path环境变量等。（从控制面板中的程序中卸载）

3.查看安装是否成功

安装完后进行重启，通过Win + R，输入cmd进入终端，输入:

nvcc -V

如果出现下面的页面，即证明安装成功。

二、cuDNN的安装

1.查找适配版本

查找链接
根据下图寻找适配自身CUDA的cuDNN，点击进行安装。

2.cuDNN的下载

点击后，进入如下界面，选择适配的系统，例如选择Local Installer for Windows (Zip)（即Windows系统）。

点击下载，此时需要注册NVIDIA账户，登陆后即可下载文件。

2.cuDNN的配置

1.文件解压后，如下图所示。

2.找到CUDA的安装路径，路径默认在
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA下面，进入文件夹，如下图所示。

接下来将CUDNN对应bin、include、lib三个文件与CUDA对应的bin、include、lib进行合并，即将cuDNN内文件全部复制到CUDA对应文件夹内！！！

• 需要注意的是，lib文件夹中是x86文件夹，此时需要把cuDNN中lib文件夹里面的x86文件夹的内容复制到CUDA中lib文件夹中的x86文件夹。

3.在此电脑中，右键点击属性，找到win11系统下的高级系统设置，如下图所示。

而后点击“环境变量”，点击“系统变量”中的Path，点击编辑，将C:\Program Files\NVIDIA Computing Toolkit\CUDA\v12.1\lib和v12.1\libnvvp以及v12.1\include进行添加，即下图中红色划线部分，最后点击“确定”完成配置。

3.查看安装是否成功

进入C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite中，可以发现如下两个文件。

那么在文件夹中，右键点击在终端打开。首先执行如下命令：

.\deviceQuery.exe

出现下图：

接着执行下一条命令：

.\bandwidthTest.exe

出现下图，即可证明cuDNN安装成功。

总结

以上为深度学习、神经网络代码调试运行的环境配置，涉及显卡驱动的安装，CUDA以及cuDNN的配置。最后介绍一下两者的联系和区别。

1.CUDA是NVIDIA开发的并行计算平台和编程模型，允许开发者使用C/C++、Python等语言直接调用GPU进行通用计算。它通过将任务分解为并行线程，利用GPU的数千个核心加速计算。

2.cuDNN是专为深度学习设计的GPU加速库，基于CUDA平台，提供高度优化的常见神经网络操作（如卷积、池化）。它是主流深度学习框架（如TensorFlow、PyTorch）的底层加速引擎。

3.cuDNN基于CUDA构建，需先安装CUDA才能使用。即CUDA提供通用GPU计算能力，cuDNN在CUDA基础上封装深度学习专用操作，使框架无需重复实现底层优化。