【一次性解决】深入理解CUDA和PyTorch的安装与多版本管理的三种方式

很多人配置环境就是直接安装三件套，而对于版本管理不是很清楚。在开发初期，这样做没什么问题。但是如果服务器多人使用，或者复现代码多（pytorch版本和cuda版本是互相依赖的），就需要更进一步的版本管理方法。这里将详细介绍用于深度学习或者CPP开发的CUDA版本管理方式。

在配置环境前，首先需要明确自己的需求。一般来说，CUDA将会被用于：

• PyTorch的GPU版本
• CUDA的C++开发
• CUDA的Python开发

对于使用Python进行的开发，推荐在linux上使用Docker，Windows上使用anaconda。对于C++开发，只使用方法一手动管理版本即可，无须安装anaconda和docker。请注意，以下的方法选择其一即可，混着用容易把自己搞乱了。

下面是目录，按需要跳转：

基础知识

CUDA是基于驱动运行的，所以安装显卡驱动必不可少。这一步非常简单，在linux和windows上都比较好做。这里暂时跳过。

我们使用什么版本cuda的，取决于要使用的PyTorch版本。在配置环境前，首先需要明确自己的需求。

pip的版本管理很混乱，在每次使用的过程中都要小心，哪些包的版本被修改了。因此建议对于版本跨度大的包，使用conda等虚拟环境隔离。

GPU运算的环境配置流程

1. 安装NVIDIA驱动
2. 安装Docker（可选）
3. 安装anaconda（可选）
4. 配置CUDA、cuDNN
5. 安装pytorch

检查驱动安装

注意，这里的CUDA版本是假的，默认显示一个数值。还是需要继续安装~

nvidia-smi

输出方框就说明显卡驱动正常，可以继续。

方法一：使用系统环境变量管理多版本CUDA

方法相对来说最简单，直观。就是更改cuda对应的系统环境变量，使得其指向不同的版。

优点：

• 节省空间，不需要创建太多的conda环境
• 安装方便，网络问题导致无法conda安装时，除了可以离线安装，还可以手动管理
• 安装的cuda是完整版，使用**C++**开发一定要用这个方法安装

缺点：

• 切换环境需要修改系统环境变量 ，在多人使用的服务器上容易造成版本混乱。
• 复现代码时候每次都要查看文档，手动下载，配置环境变量，复制cudnn，成本高

环境检查脚本

很多仓库在安装时候会指定cuda-tookit，导致环境

安装

windows本地安装

1. CUDA版本选择：
   • 打开NVIDIA控制面板，选择系统信息，查看支持的CUDA版本。
2. CUDA toolkit下载：
   • 访问NVIDIA开发者网站的CUDA Toolkit下载页面。
   • 根据自己的操作系统和CUDA版本选择合适的下载链接。
   • 下载并运行.exe文件，按照安装向导进行安装。
   • 设置临时解压目录和安装目录，建议使用默认设置。
   • 安装完成后，配置CUDA的环境变量。
3. cuDNN下载和配置：
   • 访问NVIDIA开发者网站的cuDNN下载页面。
   • 注册一个账号并登录，然后选择适配自己CUDA版本的cuDNN版本进行下载。
   • 解压下载的压缩包，得到三个文件夹。
   • 将这三个文件夹的内容复制到CUDA的安装目录中。
   • 添加CUDA安装目录到系统环境变量的path中。
4. 验证安装是否成功：
   • 打开命令提示符，输入nvcc --version命令，查看CUDA版本号。