Como instalar o CUDA no Windows sem erros: um guia para desenvolvedores e criadores

Instalando o CUDA no Windows Não precisa ser uma dor de cabeça se você souber por onde começar e o que verificar em cada etapa. Neste artigo, vou orientá-lo de forma prática., com todas as nuances de compatibilidade, instalação, verificação e solução de problemas comuns para garantir que o kit de ferramentas funcione perfeitamente em seu computador na primeira vez.

Além de abordar a instalação clássica do Toolkit no Windows, você também verá como usar o CUDA com o WSL, instalá-lo com o Conda ou o pip, compilar exemplos com o Visual Studio e entender os diferentes modelos de driver da NVIDIA no Windows. As informações são unificadas e atualizadas. Com base em guias oficiais e cenários da vida real que podem ocorrer, como um laptop com uma GPU híbrida AMD iGPU + NVIDIA dGPU.

O que é CUDA e o que oferece no Windows?

CUDA É a plataforma e o modelo de programação paralela da NVIDIA que permite Acelere aplicativos com a GPUDesde inteligência artificial e ciência de dados até simulações e processamento de imagens. Em termos práticos, instalar o CUDA Toolkit no Windows fornece o compilador nvcc, o ambiente de execução, bibliotecas como cuBLAS, cuFFT, cuRAND e cuSOLVER, ferramentas de depuração e criação de perfis, além de exemplos prontos para compilar.

O design CUDA facilita a combinação de CPU e GPU na mesma aplicação: as partes seriais no processador e as seções paralelas na GPU, que fornecem centenas ou milhares de threads executadas em paralelo. Graças à memória compartilhada no chip e às bibliotecas otimizadas, o salto de desempenho Geralmente é perceptível sob cargas intensas.

Compatibilidade de sistema e compilador no Windows

Antes de usar o instalador, é recomendável verificar a compatibilidade. Windows compatível As versões recentes do kit de ferramentas incluem: Windows 11 24H2, 23H2 e 22H2-SV2; Windows 10 22H2; e Windows Server 2022 e 2025.

Em compiladores, o suporte típico inclui MSVC 193x com Visual Studio 2022 17.x e MSVC 192x com Visual Studio 2019 16.x, com dialetos C++11, C++14, C++17 e C++20 (dependendo da versão). O Visual Studio 2015 foi descontinuado no CUDA 11.1; o VS 2017 foi descontinuado na versão 12.5 e removido na versão 13.0. Verifique a matriz exata da sua versão. para evitar sustos.

Importante para projetos legados: A partir do CUDA 12.0, a compilação de 32 bits foi removida e a execução de binários x86 de 32 bits em sistemas x64 ficou limitada a motorista, quarto e matemática Em GPUs GeForce até a arquitetura Ada; o Hopper não suporta mais 32 bits.

Selecione e instale o Toolkit no Windows.

Baixe o instalador do site oficial da NVIDIA CUDA. Você pode escolher o Instalador de Rede. (download mínimo que utiliza a internet para o restante) ou Instalador Completo (tudo em um único pacote, útil para máquinas sem rede ou implantações corporativas). Após o download, verifique a integridade com o checksum (por exemplo, MD5) para descartar corrupção.

Execute o instalador gráfico e siga as instruções na tela. Leia as notas de lançamento da sua versão. Porque detalha alterações, compatibilidades exatas e avisos críticos. A partir do CUDA 13, o instalador do Toolkit não inclui mais o driver. O driver da NVIDIA é instalado separadamente. da página de drivers correspondente.

Instalação silenciosa e seleção de componentes

Se precisar de uma implantação silenciosa, o instalador aceita o modo sem interface com a opção -s e permite selecionar subpacotes específicos Você pode instalar tudo pelo nome, em vez de instalar tudo junto. Também é possível impedir reinicializações automáticas com a opção -n. Essa granularidade é útil para personalizar ambientes de compilação e reduzir o espaço ocupado pelo sistema.

Entre os subpacotes habituais, você encontrará itens como: nvcc, cudart, cuBLAS, cuFFT, cuRAND, cuSOLVER, cuSPARSENsight Compute, Nsight Systems, integração com o Visual Studio, NVRTC, NVTX, NVJitLink, desmanglers e utilitários como cuobjdump ou nvdisasm. Se você for compilar e criar perfis, Escolha as ferramentas NsightSe você for apenas executá-lo, o tempo de execução pode ser suficiente.

Extraia o instalador e revise o conteúdo.

Para fins de auditoria ou criação de pacotes corporativos, o instalador completo pode ser extraído usando ferramentas compatíveis com LZMA, como o 7-Zip ou o WinZip. Você encontrará a árvore e os módulos do CUDAToolkit. Os arquivos de integração do Visual Studio são colocados em pastas separadas. Os arquivos .dll e .nvi nessas pastas não fazem parte do conteúdo instalável em si.

Instale o CUDA no Windows com o Conda.

Se você preferir gerenciar o ambiente com o Conda, a NVIDIA publica pacotes em anaconda.org/nvidia. Uma instalação básica do Toolkit É feito com um único comando, `conda install`, e você também pode fixar versões anteriores adicionando a tag `release`, por exemplo, para fixar a versão 11.3.1. Desinstalar É tão direto quanto.

Instale o CUDA via pip (pacotes wheel).

A NVIDIA oferece pacotes Python focados no ambiente de execução CUDA para Windows. Eles são destinados principalmente a Utilizando CUDA com Python e não incluem todas as ferramentas de desenvolvimento. Primeiro, instale o nvidia-pyindex para que o pip reconheça o índice NVIDIA NGC e certifique-se de que o pip e o setuptools estejam atualizados para evitar erros. Em seguida, instale os metapacotes. que você precisa, como nvidia-cuda-runtime-cu12 ou nvidia-cublas-cu12.

Esses metapacotes têm como alvo pacotes específicos, como nvidia-cublas-cu129, nvidia-cuda-nvrtc-cu129, nvidia-npp-cu129 e outros. Lembre-se de que o ambiente é gerenciado pelo pip.Se você deseja usar o CUDA fora do ambiente virtual, precisará ajustar os caminhos e variáveis ​​do sistema para que a vinculação seja feita corretamente.

Verifique a instalação no Windows.

Abra um prompt de comando e execute o comando `nvcc -V` para confirmar a versão instalada. Clonar as amostras CUDA Baixe os exemplos do GitHub e compile-os com o Visual Studio. Execute deviceQuery e bandwidthTest: se houver comunicação bem-sucedida com a GPU, você verá o dispositivo detectado e passar nos testes Sem erros. Se o deviceQuery não encontrar dispositivos, verifique o driver e se a GPU está visível no sistema.

WSL com aceleração CUDA

O Windows 11 e as versões mais recentes do Windows 10 suportam a execução de frameworks e ferramentas de aprendizado de máquina acelerados por CUDA no WSL, incluindo PyTorch, TensorFlow e Docker Usando o NVIDIA Container Toolkit, primeiro instale o driver compatível com CUDA no WSL, depois habilite o WSL e instale uma distribuição glibc, como Ubuntu ou Debian.

Certifique-se de ter um kernel WSL atualizado (no mínimo 5.10.43.3). Confira com Use o comando `wsl cat /proc/version` no PowerShell. Em seguida, siga o guia do usuário do CUDA no WSL para instalar bibliotecas e contêineres e comece a executar seus fluxos de trabalho do Linux no Windows sem sair do seu ambiente.

Desinstalar CUDA no Windows

Após instalar o CUDA no Windows, deseja reverter para a versão anterior? Todos os subpacotes podem ser revertidos. Desinstalar pelo Painel de Controle Utilizando Programas e Recursos. Se você gerencia o conjunto de ferramentas com Conda ou pip, utilize os mecanismos de desinstalação de cada gerenciador para evitar deixar resquícios de pacotes.

Notas sobre compatibilidade de versões

O CUDA 11.8 foi uma versão muito popular devido à sua estabilidade e suporte do ecossistema. requisitos típicos Para a versão 11.8: GPU com capacidade de computação 3.0 ou superior, 64 bits, mínimo de 8 GB de RAM e pelo menos 4 GB de memória de GPU. No Linux, integra-se bem com distribuições como Ubuntu 18.04/20.04, RHEL/CentOS 7/8, etc.

O CUDA 12.x introduz melhorias no ambiente de execução e na biblioteca, além de promover dependências de drivers mais recentesO CUDA 13 separa permanentemente o driver do instalador do Toolkit: lembre-se de instalar o driver manualmente. Esclarecimento ImportanteCUDA é uma tecnologia da NVIDIA e requer GPUs da NVIDIA; se você vir em algum lugar que também é compatível com GPUs da AMD, isso não é correto para a pilha CUDA.

Instalando o CUDA no Windows: Solução de problemas comuns

• O instalador falha ou não conclui a tarefa.Verifique os registros do instalador e confirme seu antivírus, espaço em disco e permissões de administrador. Tente novamente com o instalador completo se a rede estiver instável ou no modo silencioso se houver conflitos de interface.
• deviceQuery não detecta a GPU.Verifique se o driver está correto, se a GPU está ativa e se o aplicativo está usando a GPU dedicada. Atualize o driver e reinstale o Toolkit, se necessário.
• Conflitos com livrariasSe você tiver vários kits de ferramentas instalados, verifique as variáveis ​​de ambiente CUDA_PATH e PATH. Em Python, verifique se as versões do PyTorch ou TensorFlow e suas configurações são compatíveis com a sua versão do CUDA/cuDNN.
• O Visual Studio não compila arquivos .cu.Adicione as personalizações de compilação CUDA ao seu projeto e marque os arquivos .cu como CUDA C/C++. Verifique se o MSVC é compatível com seu conjunto de ferramentas.

Ferramentas, exemplos e documentação

Além do nvcc e das bibliotecas, o Toolkit para instalação do CUDA no Windows inclui perfis e analisadores como o Nsight Systems e o Nsight Compute, e documentação em HTML/PDF para a linguagem CUDA C++. melhores práticasOs exemplos oficiais estão no GitHub e são uma excelente base para validar drivers, desempenho de memória e multiprocessadores.

Quando usar o Conda ou o pip em vez do instalador clássico?

O Conda e o pip são ideais quando seu foco é executar frameworks de aprendizado de máquina que já incluem dependências compatíveis com versões específicas do CUDA. VantagemIsolamento de ambiente e menos atrito. Desvantagem: Para desenvolvimento nativo em C++ ou integração completa com o VS, o instalador clássico do Toolkit oferece todas as ferramentas e a experiência mais completa.

Perguntas frequentes rápidas

• Como posso saber se minha GPU é compatível com CUDA? Abra o Gerenciador de Dispositivos, acesse Adaptadores de vídeo e verifique o modelo; compare-o com a lista oficial de GPUs CUDA da NVIDIA. Você também pode executar o comando `nvidia-smi` para confirmar. Sua GPU aparece.
• Posso treinar sem CUDA? Sim, funcionará na CPU, mas será mais lento. Para usar a GPU com PyTorch ou TensorFlow no Windows, certifique-se de instalar o pacote apropriado. versões compatíveis com sua versão do CUDA ou use o WSL com contêineres NVIDIA.
• Versões antigas específicasAlgumas ferramentas exigem combinações como CUDA 10.1 com cuDNN 7.6.4. Nesse caso, instale essas versões exatas e coloque o DLL do cuDNN na pasta bin do conjunto de ferramentas correspondente, evitando assim a existência de várias instâncias do cuDNN simultaneamente.

Se você deseja instalar o CUDA no Windows e acelerar seu trabalho com um guia completo, as etapas e recomendações acima ajudarão você a concluir todo o processo. Caiu como uma luva. desde a primeira versão.