彻底搞懂cuda，cudnn和pytorch中的所有版本命令（windows版本）

最新推荐文章于 2025-04-03 21:49:19 发布
最新推荐文章于 2025-04-03 21:49:19 发布
阅读量816 收藏 10
点赞数 5
分类专栏： 机器学习 文章标签： pytorch windows 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_74009895/article/details/144774303
版权

第一种：nvidia-smi

这个“不是”当前的cuda版本，而是当前Driver支持的最高CUDA版本。CUDA向下兼容，你的CUDA必须要小于等于这个版本号。

第二种：nvcc -V

  • 显示 CUDA Toolkit 的版本（如 12.5）。
  • 这表示安装的 CUDA 编译工具（nvcc）的版本。
  • nvcc是CUDA Runtime的编译器。输出的版本号就是机器上CUDA Runtime的版本号

第三种：torch.version.cuda

它的输出不是当前CUDA的版本号！！！而是当前torch支持的最高CUDA版本

第四种：torch.backends.cudnn.version()

注意，这个并不是你本地下载的cudnn版本！

PyTorch 包含一个 内部捆绑的 cuDNN 版本，而非直接使用你手动配置的 cuDNN。

通过 torch.backends.cudnn.version() 获取到的版本号是 PyTorch 捆绑的 cuDNN 版本，而非你手动安装的版本。你看到的 90100 表示 cuDNN 版本是 9.1.0，这是 PyTorch 官方和 CUDA 12.4 兼容的版本。而其实我本地实际用的是8.8.1版本的cudnn.

参考文献：

彻底搞清楚CUDA和cuDNN版本问题_cuda cudnn版本-CSDN博客

【学习笔记5】Linux下cuda、cudnn、pytorch版本对应关系
longii11的博客
04-28 3471
NVIDIA CUDA Toolkit （CUDA）为创建高性能 GPU 加速应用程序提供了一个开发环境。借助 CUDA 工具包，您可以在 GPU 加速的嵌入式系统、桌面工作站、企业数据中心、基于云的平台和 HPC 超级计算机上开发、优化和部署您的应用程序。该工具包包括 GPU 加速库、调试和优化工具、C/C++ 编译器以及用于部署应用程序的运行时库。重新新建环境，安装cuda11版本的包和对应的pytorch。说明cuda、cudnn版本是对应的，没有问题。六个cuda版本，目前在用的是。
win11+cuda+cudnn+pytorch安装
eplan21的博客
09-18 1684
3060+win11+cuda+cudnn+pytorch安装
cuda+cudnn+pytorch+python版本对应安装
最新发布
C菌落的博客
04-03 442
①torch-1.10.1为torch版本 ②cpu表示不使用gpu加速 ③cp36表示适配python3.6的解释器。可以看到pytorch官网下载pytorch需要安装torch、torchvision、torchaudio三个包。如果你要安装如下图的cu113的包，即使用gpu加速，请确保已经正确安装cuda和cudnn版本！安装成功后使用命令安装对应版本的torchaudio和torchvision。找到自己下载的torch包，进入对应环境后输入。进入网站后，找到以下三个带箭头的网页点击进入。
Pytorch 各个GPU版本CUDA和cuDNN对应版本
热门推荐
风信子的猫Redamancy的快乐星球
12-17 7万+
pytorch 不同版本对应的cuda torch、torchvision、cuda 、python对应版本匹配，参照官网https://pytorch.org/get-started/previous-versions/ CUDA与显卡驱动：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
Pytorch环境配置——cuda、、cudnn、torch、torchvision对应版本（最全）及安装方法
Williamcsj的博客
04-02 6万+
Pytorch环境配置——cuda、、cudnn、torch、torchvision对应版本（最全）及安装方法
【Python · Pytorch】配置cuda环境 & cuDNN库
茶色喵的博客
09-06 7576
本文介绍如何配置cuda环境、cuDNN库，并安装GPU版本的Pytorch。
Pytorch、CUDA和cuDNN的安装图文详解win11（解决版本匹配问题）
timerring的博客
10-27 6422
CUDA的安装 1.查询支持的最高版本 2.查询Pytoch与cuDNN版本 3.下载CUDA 4.安装CUDA 5.验证CUDA是否安装成功 cuDNN的安装 验证是否安装成功 Pytorch安装 下载torch 下载torchvision CUDA的卸载 可能出现的问题： CUDA和cuDNN版本不匹配 CUDA和Pytorch版本不匹配 cuDNN和Pytorch版本不匹配 显卡不支持CUDA该版本 已经装完部分，发现版本不匹配准备卸载。 说在前面的话！ 在ubuntu系统下，可以尝试装多个cud
torch, cudatoolkit, cudnn, python对应版本
starlight1231的博客
04-12 595
版本对应关系
记录cuda、cudnn卸载重装，并安装pytorch和pyg（windows系统下）
Anthony的博客
11-08 5220
cuda、cudnn、PyTorch、PyG安装笔记
pytorch卸载cuda+cudnn并重新配置GPU环境，亲测有效
qq_52048052的博客
03-17 1万+
GPU版本的pytorch环境配置，亲测有效，吐血整理，带图详细，搞清对应版本关系
CUDA降级安装失败，如何彻底卸载老版本
qq_26536263的博客
09-23 4528
CUDA降级安装失败解决办法问题及解决办法问题解决办法 问题及解决办法 问题 之前安装的cuda11.0及相应的cuDNN，安装TensorFlow2.3.0后无法调用GPU。错误是寻找libcudart.iso.10.1失败。此问题应该是TensorFlow2.3.0与CUDA11.0不匹配造成的，因此我查找了网上关于彻底卸载cuda的方法，如下： sudo apt-get remove cuda sudo apt-get autoclean sudo apt-get remove cuda* cd /u
cuda环境搭建及测试GPU使用.pdf
10-27
TensorFlow对CUDA和cuDNN版本有一定的依赖性，错误的版本组合会导致无法使用GPU加速，甚至程序无法运行。因此，在安装TensorFlow之前，需要先检查其支持的CUDA版本，并根据TensorFlow版本选择对应的CUDA Toolkit版本...
【AI引论】Anaconda安装&PyTorch安装（独显与集显版）
Steven_21的博客
02-10 3062
win10下的Anaconda与PyTorch安装，包含集显以及独显下安装CUDA与CUDNN的方法（无需注册Nvidia，采用镜像下载）
pytorch与cuda版本对应关系汇总
u011489887的专栏
12-27 4万+
pytorch与cuda版本关系 |cuda版本| 支持pytorch版本 | |–|–| | cuda10.2 | 1.5 ~ 1.12 |
【PyTorch 】【CUDA】深入了解 PyTorch 中的 CUDA 和 cuDNN 版本及 GPU 信息
人生苦短，睡觉要紧，睡醒再说
10-20 4247
在本文中，我们深入探讨了如何在 PyTorch 中检查 CUDA 和 cuDNN 版本、可用 GPU 的信息，以及如何测试 PyTorch 是否正常工作。通过使用提供的示例代码，您可以轻松地验证您的深度学习环境配置是否正确，并确保可以充分利用 GPU 加速计算。常用命令总结在常见问题解答部分，我们提供了一些实用的解决方案，帮助您应对可能遇到的挑战，如更新 CUDA 和 cuDNN、选择特定的 GPU、处理 CUDA 内存不足的问题等。
CUDA、cudnn版本对应及安装
weixin_58322367的博客
01-05 1万+
pytorch gpu版本安装、附下载链接
如何安装对应版本的cuda和cudnn
m0_74040958的博客
09-30 5167
安装对应版本的cuda和cudnn
环境配置—Cuda和Cudnn版本对应关系
算法之美
04-16 4万+
环境配置—Cuda和Cudnn版本对应关系
CUDA、CUDNN以及tensorRT的版本对应关系
weixin_42408280的博客
01-10 884
这个是官方测试TensorRT的Release日志，里面指明了当前测试的TensorRT版本是在哪个CUDNN等库下的测试结果，也就是说如果按照里面的测试时的版本对应的话能达到推理速度最快。在发布模型和推理发布的TRT模型时应该会出现相应的警告，如果出现警告，那么可以调整为官方要求的版本，那么还有很大的速度提升，，，留心一下。
我想卸载已经安装得cuda和torch版本
03-04
<think>嗯，用户现在想卸载已经安装的CUDA和Torch版本。之前他们问过PyTorch和DGL的版本适配问题，现在可能遇到了环境配置的问题，需要清理现有安装。首先，我得考虑用户的操作系统，但用户没说明，不过之前的回答都是通用的，可能用户用的是Linux或者Windows。不过CUDA的卸载在Linux和Windows上步骤不同，可能需要分别说明。 用户可能的情况是，他们在安装或升级PyTorch时遇到了版本冲突，或者需要安装特定版本的CUDA来适配其他库，比如DGL。这时候需要彻底卸载现有的CUDA和PyTorch，确保没有残留文件，才能正确安装新版本。 首先，卸载PyTorch。PyTorch通常通过pip或conda安装，所以需要根据用户的安装方式来给出对应的卸载命令。比如，如果用户用pip安装的，可以用pip uninstall torch，但可能还有torchvision、torchaudio等依赖包，需要一并卸载。如果是conda安装的，需要用conda remove。另外，用户可能同时使用这两种包管理器，需要提示他们检查环境。 然后是CUDA的卸载。CUDA的卸载比较复杂，尤其是在Linux上，因为涉及到系统级的安装。在Linux上，CUDA可能通过runfile或者deb包安装，卸载方法不同。需要指导用户找到正确的卸载方式，比如使用/usr/local/cuda-版本/bin下的卸载脚本。而在Windows上，可能需要通过控制面板的程序卸载功能来移除NVIDIA的CUDA工具包。 还要提醒用户检查是否有多个CUDA版本共存的情况，比如软链接/usr/local/cuda指向的版本，可能需要调整环境变量。此外，用户可能安装了cuDNN，但卸载CUDA时不会自动移除cuDNN，需要手动删除相关文件，或者告知用户如果需要的话。 另外，用户可能不知道如何验证卸载是否成功，可以建议他们运行nvidia-smi（这其实显示的是驱动支持的CUDA版本，不是运行时版本）或者检查nvcc --version，但nvcc可能随着CUDA工具包卸载而消失。对于PyTorch，卸载后尝试导入torch应该会报错。 还要考虑到用户可能存在的权限问题，比如在Linux下卸载CUDA可能需要sudo权限。此外，提醒用户重新安装前清理pip缓存或conda缓存，避免旧版本被重新安装。 总结一下，回答需要分步骤，明确针对不同安装方式和操作系统给出对应的卸载方法，并给出验证卸载成功的命令。同时，要提醒用户注意依赖关系和后续安装的步骤，确保环境干净。</think>以下是卸载 CUDA 和 PyTorch 的通用方法，分平台说明： --- ### **1. 卸载 PyTorch** #### (1) **通过 pip 安装的 PyTorch** ```bash # 卸载核心包及依赖 pip uninstall torch torchvision torchaudio # 如果存在残留，强制删除（注意路径） pip list | grep torch | xargs pip uninstall -y ``` #### (2) **通过 conda 安装的 PyTorch** ```bash conda uninstall pytorch torchvision torchaudio # 清理缓存 conda clean --all ``` --- ### **2. 卸载 CUDA** #### (1) **Linux 系统** - **通过 runfile 安装的 CUDA**： ```bash # 进入 CUDA 安装目录的 bin 文件夹 cd /usr/local/cuda-XX.X/bin # XX.X 为具体版本号（如11.8） sudo ./cuda-uninstaller # 执行卸载脚本 # 删除残留文件 sudo rm -rf /usr/local/cuda-XX.X ``` - **通过 deb 包安装的 CUDA**： ```bash # 查看已安装的 CUDA 包名 dpkg -l | grep cuda # 卸载对应包（例如 cuda-11-8） sudo apt-get --purge remove cuda-11-8 ``` #### (2) **Windows 系统** 1. 打开 **控制面板 → 程序 → 卸载程序** 2. 找到所有名称含 `NVIDIA CUDA Toolkit XX.X` 的条目，右键卸载 3. 手动删除残留目录（默认路径）： ``` C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vXX.X ``` --- ### **3. 清理残留文件** #### (1) **环境变量检查** - 编辑 `~/.bashrc` 或 `~/.zshrc`（Linux）或系统环境变量（Windows），删除所有 `CUDA_HOME`、`PATH` 中与 CUDA 相关的路径。 #### (2) **缓存清理** ```bash # 清理 pip 缓存 pip cache purge # 清理 conda 缓存（若使用 conda） conda clean --all ``` --- ### **4. 验证卸载** #### (1) **检查 PyTorch** ```python python -c "import torch; print(torch.__version__)" # 应报错 `No module named 'torch'` ``` #### (2) **检查 CUDA** - Linux： ```bash nvcc --version # 应提示命令未找到 ls /usr/local/cuda* # 确认目录已删除 ``` - Windows： - 检查 `C:\Program Files\NVIDIA GPU Computing Toolkit` 下是否无 CUDA 文件夹。 --- ### **5. 注意点** 1. **驱动保留**：卸载 CUDA 工具包不会删除 NVIDIA 显卡驱动，如需卸载驱动： - Linux：`sudo apt-get purge nvidia-*` - Windows：通过设备管理器卸载显卡驱动。 2. **多版本共存**：若系统有多个 CUDA 版本，需确保环境变量指向正确版本。 建议操作前备份重要数据，避免误删系统文件。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

还不秃顶的计科生

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值