（2025年6月3日更新）

一. 需求：

我们在复现深度学习网络的过程中，必然需要按照要求配置环境，例如下图所示。

上图说了四点：

1. liunx版本支持16.04和18.04 。
2. python版本支持python3.6以上。
3. pytorch版本支持1.1以上。
4. CUDA版本支持9.0以上。

二. 环境配置流程总结

对于驱动+CUDA Toolkit+cuDNN+pytorch+cudatoolkit这套环境的配置流程，现总结如下：

1. 查看CUDA的维基百科，确定与显卡型号适配的CUDA版本，并选择其中一个。（这里主要是可查看与显卡适配的CUDA版本区间）

2. 查看CUDA官方文档，确定与CUDA版本适配的驱动版本，并选择其中一个 。（驱动支持的CUDA版本向后兼容，选择一个新的驱动不会有什么影响。）

3. 下载驱动并安装

4. 下载CUDA Toolkit并安装，配置软链接、~/.bashrc，详见正文（Windows用户可参考这篇博客配置环境变量）（安装CUDA ToolKit的过程中也可以选择安装显卡驱动但是驱动版本单一，这里选择不安装。）
   (linux卸载NVIDIA CUDA toolkit和 Driver驱动)

5. 创建conda开发环境（根据CUDA和torch版本选择对应的python版本）

6. 在cuDNN下载页面选择CUDA版本支持的cuDNN版本下载并安装

7. 根据pytorch官网的指示安装pytorch+cudatoolkit，需注意cudatoolkit与CUDA Toolkit一样要选择与显卡型号和驱动版本适配的版本，pytorch版本则按需选择

三. 重要概念

1. 版本的确定流程为：显卡型号 >> CUDA版本 >> 驱动版本&cuDNN版本

2. CUDA是一个并行计算平台和编程模型，简单来说，它使得你能够用NVIDIA GPU进行通用计算。使用CUDA前，显卡一定要安装好驱动（事实上，没装驱动的显卡什么都干不了）。

3. CUDA有两种API，分别是：随驱动安装的driver API（nvidia-smi显示的CUDA版本就是driver API的版本）；随CUDA Toolkit安装的runtime API（可以用nvcc -V查看runtime API的版本）。两者版本不需要一致。 driver API的CUDA不能完成runtime API的CUDA的工作，所以仅安装驱动而不安装CUDA Toolkit或cudatoolkit是没法在开发中使用CUDA的。

4. CUDA Toolkit由NVIDIA官方发行，不仅包含了CUDA的runtime API，还包含了CUDA代码的编译器nvcc（CUDA也有自己的语言，代码需要编译才能执行）和debug工具等。

5. cudatoolkit为pytorch提供的、编译好的、用以支持pytorch运行的CUDA部件（动态链接库DLL等），在运行pytorch时，调用的CUDA都是cudatoolkit；仅当需要编译依赖CUDA的torch拓展模块时，会调用CUDA Toolkit（可以参考这个帖子）。

6. 综上述3、4条，cudatoolkit与CUDA Toolkit没有关系，版本也不需要一致。且在使用pytorch时，如果不需要编译CUDA代码，则不会调用CUDA Toolkit，也不需要安装CUDA Toolkit；仅在pytorch中使用CUDA的话，cudatoolkit就足够了。 经测试，仅安装pytorch+cudatoolkit，而没有安装CUDA Toolkit时，也是可以在pytorch中使用CUDA的。

7. 无论是CUDA Toolkit还是cudatoolkit，在安装时都必须选择与显卡型号和驱动版本适配的版本。

8. cuDNN（CUDA 深度神经网络库）是经GPU加速的深度神经网络基元库，可大幅优化标准例程（例如用于前向传播和反向传播的卷积层、池化层、归一化层和激活层）的实施。可以简单地将cuDNN理解为CUDA的拓展和加速模块。 CUDA Toolkit 的cuDNN需要专门安装；而cudatoolkit中包含了cuDNN的相关部件。 CUDA Toolkit 的cuDNN和cudatoolkit`的cuDNN在功能上完全一致。

四. 目标环境确定

根据自己主机的软件硬件配置，结合上面第一章：需求中的期望环境，确定最终我们要配置的环境。

博主主机配置

设备	配置
CPU	i7-12700KF
GPU	GTX3060
系统版本	Ubuntu20.04

期望环境

环境的讨论与确定

• 本人的主机系统是Ubuntu20.04，但是上图Requirements中之提到了16.04和18.04，本人不想重装系统，所以就认为should be able to work on 20.04,后面的结果证明20.04是完全的。
• 版本的确定流程为：显卡型号 >> CUDA版本 >> 驱动版本 >> CUDA ToolKit版本&cuDNN版本&nvcc>> >>conda的python版本 >> torch版本>> cudatoolkit版本 >>cuDNN版本，下面我们按照这个顺序，确定各模块版本。
  • 通过显卡型号确定CUDA的版本号区间
    Setp1: 显卡型号为GTX 3060
    Setp2: 查看CUDA的维基百科，找到名为Compute capability, GPU semiconductors and Nvidia GPU board products的表，在表中找到显卡对应的Compute capability(version),如下图所示，GTX3060对应的Compute capability(version) 是8.6 。
    
    Step3：查看CUDA的维基百科，找到名为Compute capability (CUDA SDK support vs. microarchitecture) 的表，在表中找到显卡Compute capability(version) =8.6对应的CUDA SDK version(s),如下图所示，GTX3060对应的CUDA SDK version(s) 是11.1-12.9 ，因此CUDA的版本号区间为11.1-12.9。如下图所示。
    
    上图中8.6的框，框出的绿色部分对应的CUDA SDK version(s)均可，因为CUDA SDK version(s)可以向下兼容。
  • 根据CUDA版本号区间选择显卡驱动：CUDA官方文档显示了显卡驱动版本和CUDA版本之间的关系,截图如下图所示。显卡驱动版本需要>=450.80.02，才能支持CUDA 11.1以上的版本。这里主要是不能让驱动版本过低。
    
    由于显卡驱动是向后兼容的，因此我们在显卡驱动选择界面，选择一个最新的显卡驱动进行安装即可。安装完成后，如下图所示。
    

conda入门

• 我们使用conda环境搭建，搭建方法请查看下面这篇文章。
  在linux系统中安装Anaconda，并使用conda
• 使用conda的好处
  
• conda的相关介绍请查看conda文档，文档可以不看，但是请注意在conda环境中安装各种包时
  请使用conda命令而不是pip （conda官方：使用 pip 安装包会修改您的 conda 环境，但 conda 并不知道这些修改。因此，当 conda 稍后尝试修改环境时，conda 跟踪的包和未跟踪的 pip 包之间很可能出现依赖冲突，这可能会导致环境损坏。）

conda使用

参考：
安装CUDA Toolkit(完整版)