Comment installer CUDA sur Windows sans erreurs : un guide pour les développeurs et les créateurs

Installation de CUDA sous Windows Ce n'est pas forcément une source de stress si vous savez par où commencer et quoi vérifier à chaque étape. Dans cet article, je vous guiderai de manière pratique., avec toutes les subtilités de compatibilité, d'installation, de vérification et de dépannage courant pour garantir que la boîte à outils fonctionne parfaitement sur votre ordinateur dès la première fois.

En plus de couvrir l'installation classique du Toolkit sous Windows, vous verrez également comment utiliser CUDA avec WSL, l'installer avec Conda ou pip, compiler des exemples avec Visual Studio et comprendre les différents modèles de pilotes NVIDIA sous Windows. L'information est unifiée et à jour. D'après les guides officiels et des scénarios réels qui pourraient vous arriver, comme par exemple un ordinateur portable avec un GPU hybride AMD iGPU + NVIDIA dGPU.

Qu'est-ce que CUDA et qu'offre-t-il sous Windows ?

CUDA C'est la plateforme et le modèle de programmation parallèle de NVIDIA qui permettent Accélérez les applications grâce au GPUDe l'IA et de la science des données aux simulations et au traitement d'images, l'installation du kit de développement CUDA sous Windows offre concrètement le compilateur nvcc, l'environnement d'exécution, des bibliothèques telles que cuBLAS, cuFFT, cuRAND et cuSOLVER, des outils de débogage et de profilage, ainsi que des exemples prêts à compiler.

La conception CUDA facilite l'intégration du CPU et du GPU dans une même application : les composants numéros de série dans le processeur et les sections parallèles du GPU, qui fournissent des centaines ou des milliers de threads fonctionnant en parallèle. Grâce à la mémoire partagée sur puce et aux bibliothèques optimisées, le bond en avant en matière de performance Cela se remarque généralement sous des charges importantes.

Compatibilité du système et du compilateur sous Windows

Avant d'utiliser le programme d'installation, il est conseillé de vérifier la compatibilité. Fenêtres compatibles Les versions récentes de la boîte à outils incluent : Windows 11 24H2, 23H2 et 22H2-SV2 ; Windows 10 22H2 ; et Windows Server 2022 et 2025.

Dans les compilateurs, la prise en charge typique comprend MSVC 193x avec Visual Studio 2022 17.x et MSVC 192x avec Visual Studio 2019 16.x, avec les dialectes C++11, C++14, C++17 et C++20 (selon la version). Visual Studio 2015 a été déprécié dans CUDA 11.1 ; VS 2017 a été déprécié dans la version 12.5 et supprimé dans la version 13.0. Vérifiez la matrice exacte de votre version pour éviter les frayeurs.

Important pour les projets existants : à partir de CUDA 12.0, la compilation 32 bits est supprimée et l’exécution de binaires x86 32 bits sur des systèmes x64 est limitée à conducteur, quart et mathématiques sur les GPU GeForce jusqu'à l'architecture Ada ; Hopper ne prend plus en charge les 32 bits.

Sélectionnez et installez le Toolkit sous Windows

Téléchargez le programme d'installation depuis le site web officiel de NVIDIA CUDA. Vous pouvez choisir Network Installer (téléchargement minimal utilisant Internet pour le reste) ou programme d'installation complet (tout dans un seul package, utile pour machines sans réseau ou pour les déploiements en entreprise). Après le téléchargement, vérifiez l'intégrité du fichier à l'aide de sa somme de contrôle (par exemple, MD5) afin d'exclure toute corruption.

Exécutez le programme d'installation graphique et suivez les étapes affichées à l'écran. Consultez les notes de version de votre version. car il détaille les modifications, les compatibilités exactes et les avertissements critiques. À partir de CUDA 13, le programme d'installation du Toolkit n'inclut plus le pilote. Le pilote NVIDIA est installé séparément. à partir de la page des pilotes correspondante.

Installation silencieuse et sélection des composants

Si vous devez effectuer un déploiement silencieux, le programme d'installation accepte le mode sans interface avec l'option -s et permet sélectionner des sous-packages spécifiques Vous pouvez choisir le nom du paquet plutôt que de tout installer. L'option `-n` permet également d'empêcher les redémarrages automatiques. Cette granularité est utile pour personnaliser les environnements de compilation et réduire l'empreinte système.

Parmi les sous-packs habituels, vous trouverez des éléments tels que : nvcc, cudart, cuBLAS, cuFFT, cuRAND, cuSOLVER, cuSPARSENsight Compute, Nsight Systems, l'intégration à Visual Studio, NVRTC, NVTX, NVJitLink, les démangleurs et les utilitaires comme cuobjdump ou nvdisasm. Si vous comptez compiler et profiler, choisir les outils NsightSi vous vous contentez de l'exécuter, la durée d'exécution pourrait suffire.

Extrayez le programme d'installation et vérifiez son contenu.

Pour les audits ou le packaging d'entreprise, le programme d'installation complet peut être extrait à l'aide d'outils prenant en charge LZMA tels que 7-Zip ou WinZip. Vous trouverez l'arborescence et les modules de CUDAToolkit. Les fichiers d'intégration de Visual Studio sont placés dans des dossiers distincts. Les fichiers .dll et .nvi contenus dans ces dossiers ne font pas partie du contenu installable.

Installer CUDA sur Windows avec Conda

Si vous préférez gérer l'environnement avec Conda, NVIDIA publie des packages sur anaconda.org/nvidia. Installation de base du kit d'outils Cela se fait avec une seule commande, `conda install`, et vous pouvez également corriger les versions précédentes en ajoutant l'étiquette `release`, par exemple, pour verrouiller la version 11.3.1. désinstaller C'est tout aussi direct.

Installer CUDA via pip (wheels)

NVIDIA propose des modules Python dédiés à l'environnement d'exécution CUDA pour Windows. Ils sont principalement destinés à… Utilisation de CUDA avec Python Ces outils ne comprennent pas l'ensemble des ressources de développement. Commencez par installer nvidia-pyindex pour que pip reconnaisse l'index NVIDIA NGC, puis assurez-vous que pip et setuptools sont à jour afin d'éviter les erreurs. Installez ensuite les métapaquets que vous avez besoin, comme nvidia-cuda-runtime-cu12 ou nvidia-cublas-cu12.

Ces métapaquets ciblent des paquets spécifiques tels que nvidia-cublas-cu129, nvidia-cuda-nvrtc-cu129, nvidia-npp-cu129, et autres. N'oubliez pas que l'environnement est géré par pip.Si vous souhaitez utiliser CUDA en dehors de l'environnement virtuel, vous devrez ajuster les chemins et variables système pour que la liaison se fasse correctement.

Vérifiez l'installation sur Windows

Ouvrez une invite de commandes et exécutez nvcc -V pour confirmer la version installée. Cloner les exemples CUDA Téléchargez les exemples depuis GitHub et compilez-les avec Visual Studio. Exécutez deviceQuery et bandwidthTest : si la communication avec le GPU réussit, le périphérique sera détecté. réussir les tests Aucune erreur. Si deviceQuery ne trouve aucun périphérique, vérifiez le pilote et assurez-vous que le GPU est bien reconnu par le système.

WSL avec accélération CUDA

Windows 11 et les dernières versions de Windows 10 prennent en charge l'exécution de frameworks et d'outils d'apprentissage automatique accélérés par CUDA au sein de WSL, notamment PyTorch, TensorFlow et Docker À l'aide de NVIDIA Container Toolkit, installez d'abord le pilote compatible CUDA dans WSL, puis activez WSL et installez une distribution glibc telle qu'Ubuntu ou Debian.

Assurez-vous d'avoir un noyau WSL mis à jour (minimum 5.10.43.3). Découvrez-le avec Utilisez la commande `wsl cat /proc/version` depuis PowerShell. Suivez ensuite le guide utilisateur CUDA dans WSL pour installer les bibliothèques et les conteneurs, puis exécutez vos flux de travail Linux sur Windows sans quitter votre environnement.

Désinstaller CUDA sous Windows

Après avoir installé CUDA sous Windows, souhaitez-vous revenir à la version précédente ? Tous les sous-packages peuvent être restaurés. Désinstaller depuis le Panneau de configuration Utilisation des programmes et des fonctionnalités. Si vous gérez la boîte à outils avec Conda ou pip, utilisez les mécanismes de désinstallation de chaque gestionnaire afin d'éviter tout résidu de paquet.

Notes de compatibilité des versions

CUDA 11.8 a connu un grand succès grâce à sa stabilité et à son écosystème favorable. Exigences typiques Pour la version 11.8 : GPU avec capacité de calcul 3.0 ou supérieure, 64 bits, minimum 8 Go de RAM et au moins 4 Go de mémoire GPU. Sous Linux, elle s’intègre parfaitement avec des distributions telles qu’Ubuntu 18.04/20.04, RHEL/CentOS 7/8, etc.

CUDA 12.x introduit des améliorations au niveau de l'exécution et des bibliothèques et repousse les dépendances de pilotes les plus récentsCUDA 13 sépare définitivement le pilote du programme d'installation du Toolkit : n'oubliez pas d'installer le pilote vous-même. Précision importanteCUDA est une technologie NVIDIA et nécessite des GPU NVIDIA ; si vous voyez quelque part qu'elle est également compatible avec les GPU AMD, cela est incorrect pour la pile CUDA.

Installation de CUDA sous Windows : Dépannage des problèmes courants

• L'installateur échoue ou ne termine pas le travail.Consultez les journaux d'installation et vérifiez votre antivirus, l'espace disque disponible et les droits d'administrateur. Réessayez avec le programme d'installation complet si le réseau est instable, ou en mode silencieux en cas de conflits d'interface.
• deviceQuery ne détecte pas le GPU.Vérifiez que le pilote est correct, que le GPU est actif et que l'application utilise le GPU dédié. Mettez à jour le pilote et réinstallez le Toolkit si nécessaire.
• Conflits avec les librairiesSi plusieurs boîtes à outils sont installées, vérifiez les variables d'environnement CUDA_PATH et PATH. En Python, assurez-vous que les versions de PyTorch ou TensorFlow et leurs configurations sont compatibles avec votre version de CUDA/cuDNN.
• Visual Studio ne compile pas les fichiers .cuAjoutez les personnalisations de compilation CUDA à votre projet et marquez les fichiers .cu comme étant du code CUDA C/C++. Vérifiez que MSVC est compatible avec votre bibliothèque.

Outils, exemples et documentation

Outre nvcc et les bibliothèques, le kit d'outils pour installer CUDA sous Windows comprend des profils et des analyseurs tels que Nsight Systems et Nsight Compute, ainsi qu'une documentation HTML/PDF pour le langage CUDA C++ et les meilleures pratiquesLes exemples officiels sont disponibles sur GitHub et constituent une excellente base pour valider les pilotes, les performances de la mémoire et les multiprocesseurs.

Quand utiliser Conda ou pip plutôt que l'installateur classique

Conda et pip sont idéaux lorsque votre objectif est d'exécuter des frameworks ML qui intègrent déjà des dépendances compatibles avec des versions CUDA spécifiques. AvantageIsolation de l'environnement et réduction des frictions. Inconvénient : pour le développement C++ natif ou l'intégration complète avec VS, l'installateur classique du Toolkit offre tous les outils et l'expérience la plus complète.

FAQ rapide

• Comment savoir si ma carte graphique est compatible CUDA ? Ouvrez le Gestionnaire de périphériques, accédez à Cartes graphiques et vérifiez le modèle ; comparez-le à la liste officielle des GPU CUDA de NVIDIA. Vous pouvez également exécuter la commande nvidia-smi pour confirmer. Votre GPU apparaît.
• Puis-je m'entraîner sans CUDA ? Oui, cela fonctionnera sur le processeur, mais ce sera plus lent. Pour utiliser le GPU avec PyTorch ou TensorFlow sous Windows, assurez-vous d'installer versions compatibles avec votre version de CUDA ou utilisez WSL avec les conteneurs NVIDIA.
• Versions plus anciennes spécifiquesCertains outils nécessitent des combinaisons telles que CUDA 10.1 et cuDNN 7.6.4. Dans ce cas, installez ces versions exactes et placez le DLL de cuDNN dans le dossier bin de la boîte à outils correspondante, en évitant d'avoir plusieurs cuDNN en même temps.

Si vous souhaitez installer CUDA sous Windows et accélérer votre travail grâce à un guide complet, les étapes et recommandations ci-dessus vous aideront à tout mettre en œuvre. Il me va comme un gant. dès la première version.