cuda+cudnn+pytorch下载（包含cuda降级）

在深入研究深度学习和CUDA编程时，一个常见的挑战是确保你的计算机上安装的CUDA版本与你的应用程序或框架兼容。不匹配的CUDA版本可能导致程序无法正常运行。本篇博客将指导你如何卸载当前不匹配的CUDA版本，并安装正确的版本来避免兼容性问题。

步骤1：卸载当前CUDA版本

在开始之前，重要的是先清理你的系统，移除所有不需要的NVIDIA程序。通过以下步骤卸载当前的CUDA版本：

1. 打开控制面板。
2. 确保保留以下三个NVIDIA程序：NVIDIA的图形驱动程序、NVIDIA PhysX系统软件、NVIDIA GeForce Experience。
3. 将视图按照【安装时间】排序，依次卸载所有其他NVIDIA相关软件。

步骤2：查看CUDA版本

在卸载完成后，验证你的CUDA版本是否已完全移除：

shellCopy code

nvidia-smi

步骤3：安装正确的CUDA版本

在卸载了不匹配的CUDA版本后，是时候安装一个与你的硬件和软件需求相匹配的正确版本了。

1. 下载CUDA：前往NVIDIA官网下载与你的计算需求相匹配的CUDA版本。（cuda12.1 网址：CUDA Toolkit 12.1 Downloads | NVIDIA Developer
2. 安装过程中注意事项：在安装过程中，建议取消勾选Visual Studio Integration选项，因为如果没有安装Visual Studio，该模块无法正常工作。这个选项主要是为了在需要编译CUDA程序时提供支持，但在Windows环境下不建议进行此类编译。选择所有其他默认安装选项。

步骤4：验证CUDA安装

检查cuda是否安装成功，在cmd中输入nvcc -V

安装成功的结果

如果没有显示没有nvcc这个命令，那就添加环境变量。具体要先查看C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin是否有nvcc.exe，如果有，那就需要添加环境变量。
通过右键点击此电脑——>属性——>高级系统设置——>环境变量。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp

image

选择系统变量中path，点击编辑，然后点击新建，添加

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp

两个路径

步骤5：安装cuDNN（可选）

如果你的深度学习框架需要cuDNN，按照以下步骤安装：

1. 从NVIDIA官方网站下载cuDNN。
2. 解压下载的文件，并将bin、include和lib目录中的内容复制到CUDA安装目录下的相应文件夹中。
3. 更新系统环境变量的Path，添加CUDA和cuDNN的路径。

1.官网下载链接,下载cudnn

cuDNN Archive | NVIDIA Developer

2.解压下载得到的CUDNN压缩包，会得到一个名为cuda的目录，将其中bin,include和lib目录中的内容拷贝到CUDA的安装目录（C默认为:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）下的对应目录中(

在安装和配置CUDA及cuDNN环境时，用户可能会在CUDA的安装目录中遇到与cuDNN解压缩后的文件夹同名的文件夹。在这种情况下，不必担心文件的覆盖或冲突问题。用户可以直接将cuDNN解压缩后的文件夹中的配置文件复制到CUDA安装目录中的对应同名文件夹内。这一过程中，cuDNN的配置文件会被添加到CUDA的相应位置，从而实现两者的整合。

需要强调的是，尽管文件夹名称相同，但这一操作是必要的，因为cuDNN实际上作为CUDA的一个补丁存在，旨在为深度学习的计算过程提供优化。因此，将cuDNN的内容正确复制到CUDA的安装目录中是确保深度学习应用能够充分利用GPU加速的关键步骤。

为了保证配置的准确无误，建议用户分别将cuDNN解压缩后的文件夹内容仔细地复制到CUDA安装目录下的对应文件夹中，避免直接整体复制粘贴，以确保每个文件都被正确放置。)

。

image

3.在系统环境变量的Path中新增如下两项（对应自己的安装目录）。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib\x64

4.配置完成后，我们可以验证是否配置成功，主要使用CUDA内置的deviceQuery.exe 和 bandwithTest.exe：

首先win+R启动cmd，cd到安装目录下的 cd /d C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite

cd /d C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite

然后分别执行bandwidthTest.exe和deviceQuery.exe,应该得到下图:

bandwidthTest.exe运行成功结果

deviceQuery.exe运行成功结果

两步都返回了Result=PASS，就算成功。
下载pytorch
官网地址为：PyTorch

结论

通过以上步骤，你可以确保你的系统上安装了正确的CUDA版本，以避免在运行CUDA应用程序时遇到兼容性问题。正确配置CUDA和cuDNN是优化深度学习工作流程的关键步骤。希望这篇博客能帮助你解决CUDA版本不匹配的问题，并顺利进行深度学习项目的开发。