好消息，最新CUDA和cuDNN安装，俩都可以用exe安装包直装了 CUDA12.6.3和cuDNN9.6.0 Windows系统 省事

最新CUDA和cuDNN安装俩都可以用exe安装包直装了，省去了旧版本管理、环境变量设置等繁琐操作 CUDA12.6.3和cuDNN9.6.0 Windows系统 

一、事前声明：

请一定谨慎尝鲜，因为目前CUDA12.6.3版本只支持用pip安装Preview (Nightly)版本的torch！！！更新这个版本的CUDA和cuDNN后，很大的可能会导致需要在每个虚拟环境中重新安装配置torch！！！对此，我深感无奈，也无法担责…在此CUDA版本下的目前安装命令我放在文章最后了……欢迎讨论

二、#记录工作

大家知道，在Windows系统在安装CUDA12.6.2及之前的版本时配置cuDNN需要下载压缩包，然后解压，然后复制移动，很不容易操作，有时无意的人为失误还会导致cuDNN配置失败。这下好了，最新的CUDA12.6.3和cuDNN9.6.0可以用.exe安装包直接安装配置了，更方便了，快去试试吧！

注：下载时需要登录NVIDAI帐号

请注意选择自己的系统版本，我这里演示的是Windows10版本下的，如果是Windows11版本的，请在以下地址中修改版本查找一下！

三、CUDA12.6.3下载地址：

CUDA Toolkit 12.6 Update 3 Downloads | NVIDIA Developer

 

四、cuDNN9.6.0载地址：

cuDNN 9.6.0 下载 |NVIDIA 开发人员

两个安装包都下载完成之后安装：

 

五、CUDA简单的步骤记录：

 自动删除电脑中已安装的上一版本：

 

 

 

六、cuDNN9.6.0简单的步骤记录： 

这里可以自定义选择安装，也可以是上一步精简安装：只安装cuDNN9.6.0 

 

 

 

七、验证CUDA是否安装成功：

 

八、在 Windows 系统上验证 cuDNN 是否安装成功，可以通过以下步骤来进行：

 1. 检查文件

首先，确认 cuDNN 的相关文件是否已经存在于你的系统中。cuDNN 安装后通常会包含以下几个主要文件：
- `cudnn.h` 或 `cudnn_version.h`
- `cudnn64_*.dll`
- `cudnn.lib`

这些文件一般位于 CUDA 的安装目录下，例如 `C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\include\` 和 `C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\lib\x64\` 目录。

2. 查看环境变量

确保你的环境变量已经正确设置。特别是 `PATH` 变量需要包含 cuDNN 的库文件路径。你可以在命令提示符中运行以下命令来查看当前的 `PATH` 变量：
cmd

echo %PATH%

确保路径中包含了类似 `C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\bin` 和 `C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\libnvvp` 这样的目录。

 

 

3. 编译并运行示例程序

你可以使用 NVIDIA 提供的一个简单的测试程序来验证 cuDNN 是否正确安装。以下是一个简单的步骤：

1. **下载和安装 CUDA 样例**：

   - 下载并解压 CUDA 样例包（可以从 NVIDIA 官网获取）。
   - 打开命令提示符，导航到样例包中的 `CUDNN_Samples` 目录。

 

2. **编译示例程序**：

   - 在命令提示符中运行以下命令来编译示例程序：
     cmd

cd C:\path\to\CUDNN_Samples
set CUDA_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y
set PATH=%CUDA_PATH%\bin;%PATH%
set INCLUDE=%CUDA_PATH%\include;%INCLUDE%
set LIB=%CUDA_PATH%\lib\x64;%LIB%
nvcc -o cudnn_test cudnn_test.cu -I%CUDA_PATH%\include -L%CUDA_PATH%\lib\x64 -lcudnn

 

3. **运行示例程序**：

   - 编译完成后，运行生成的可执行文件：
     cmd

cudnn_test.exe

 
   - 如果一切正常，你应该能看到程序输出有关 cuDNN 的一些基本信息，并且没有错误报告。

4. 使用 Python 框架进行验证

如果你是通过深度学习框架如 TensorFlow 或 PyTorch 来利用 GPU 加速计算的话，还可以通过相应的框架来间接验证 cuDNN 是否可用。

对于 **TensorFlow**：

1. 打开 Python 解释器或创建一个新的 Python 脚本。
2. 运行以下代码：
    ```python

import tensorflow as tf
print(tf.test.is_built_with_cuda())
print(tf.config.list_physical_devices('GPU'))

    如果返回值为 `True` 并且列出了你的 GPU 设备，则表明 TensorFlow 已经正确配置了 cuDNN。

对于 **PyTorch**：

1. 打开 Python 解释器或创建一个新的 Python 脚本。
2. 运行以下代码：
    python

import torch
print(torch.backends.cudnn.is_available())
print(torch.cuda.is_available())
print(torch.version.cuda)
print(torch.backends.cudnn.version())

    如果 `torch.backends.cudnn.is_available()` 返回 `True`，并且其他输出也显示了正确的信息，则说明 cuDNN 正常工作。

通过以上方法，你应该能够验证 cuDNN 是否在 Windows 系统上正确安装并配置成功。如果遇到问题，请检查相关的日志或错误信息以获得更多的诊断线索。

 

九、目前CUDA12.6.3下torch安装命令:

目前只能安装Preview (Nightly)版本（2024年12月09日23：12）

pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu126

更多安装命令参考：

Start Locally | PyTorch

 

安装torch 

 验证cuDNN安装：