วิธีการติดตั้ง CUDA บน Windows โดยไม่มีข้อผิดพลาด: คำแนะนำสำหรับนักพัฒนาและผู้สร้าง

การติดตั้ง CUDA บน Windows มันไม่จำเป็นต้องปวดหัวหากคุณรู้ว่าต้องเริ่มต้นที่ไหนและต้องตรวจสอบอะไรในแต่ละขั้นตอน ในบทความนี้ฉันจะแนะนำคุณในเชิงปฏิบัติพร้อมด้วยรายละเอียดต่างๆ ของความเข้ากันได้ การติดตั้ง การตรวจสอบ และการแก้ไขปัญหาทั่วไป เพื่อให้แน่ใจว่าชุดเครื่องมือทำงานได้อย่างสมบูรณ์แบบบนคอมพิวเตอร์ของคุณตั้งแต่ครั้งแรก

นอกเหนือจากการครอบคลุมการติดตั้ง Toolkit แบบคลาสสิกบน Windows แล้ว คุณยังจะได้เห็นวิธีใช้ CUDA กับ WSL, ติดตั้งด้วย Conda หรือ pip, คอมไพล์ตัวอย่างด้วย Visual Studio และทำความเข้าใจไดรเวอร์ NVIDIA รุ่นต่างๆ บน Windows ข้อมูลถูกเชื่อมโยงและทันสมัย ขึ้นอยู่กับคำแนะนำอย่างเป็นทางการและสถานการณ์จริงที่อาจเกิดขึ้นกับคุณ เช่น แล็ปท็อปที่มี GPU แบบไฮบริด AMD iGPU + NVIDIA dGPU

CUDA คืออะไร และมีฟีเจอร์อะไรใน Windows?

CUDA เป็นแพลตฟอร์มและโมเดลการเขียนโปรแกรมแบบขนานของ NVIDIA ที่อนุญาตให้ เร่งความเร็วแอปพลิเคชันด้วย GPUตั้งแต่ AI และวิทยาศาสตร์ข้อมูลไปจนถึงการจำลองสถานการณ์และการประมวลผลภาพ ในทางปฏิบัติ การติดตั้ง CUDA Toolkit บน Windows จะช่วยให้คุณมีคอมไพเลอร์ nvcc, รันไทม์, ไลบรารีต่างๆ เช่น cuBLAS, cuFFT, cuRAND และ cuSOLVER, เครื่องมือดีบักและจัดทำโปรไฟล์ และตัวอย่างที่พร้อมคอมไพล์

การออกแบบ CUDA ช่วยให้สามารถผสมผสาน CPU และ GPU ได้อย่างง่ายดายในแอปพลิเคชันเดียวกัน: ชิ้นส่วนต่างๆ ซีเรียลในโปรเซสเซอร์ และส่วนขนานบน GPU ซึ่งรองรับเธรดหลายร้อยหรือหลายพันเธรดที่ทำงานแบบขนาน ด้วยหน่วยความจำบนชิปที่ใช้ร่วมกันและไลบรารีที่ปรับแต่งแล้ว การก้าวกระโดดของประสิทธิภาพ โดยปกติจะสังเกตเห็นได้ภายใต้ภาระหนัก

ความเข้ากันได้ของระบบและคอมไพเลอร์ใน Windows

ก่อนที่จะใช้ตัวติดตั้ง ควรตรวจสอบความเข้ากันได้เสียก่อน Windows ที่เข้ากันได้ ชุดเครื่องมือเวอร์ชันล่าสุดได้แก่: Windows 11 24H2, 23H2 และ 22H2-SV2; Windows 10 22H2; และ Windows Server 2022 และ 2025

ในคอมไพเลอร์ การสนับสนุนทั่วไปประกอบด้วย MSVC 193x พร้อม Visual Studio 2022 17.x และ MSVC 192x พร้อม Visual Studio 2019 16.x พร้อมภาษาถิ่น C++11, C++14, C++17 และ C++20 (ขึ้นอยู่กับเวอร์ชัน) Visual Studio 2015 ไม่รองรับอีกต่อไปใน CUDA 11.1; VS 2017 ไม่รองรับอีกต่อไปใน 12.5 และถูกลบออกใน 13.0 ตรวจสอบเมทริกซ์ที่แน่นอนของเวอร์ชันของคุณ เพื่อหลีกเลี่ยงความกลัว

สิ่งสำคัญสำหรับโครงการเก่า: เริ่มตั้งแต่ CUDA 12.0 การคอมไพล์ 32 บิตจะถูกลบออก และการดำเนินการไบนารี x86 32 บิตบนระบบ x64 จะถูกจำกัดไว้ที่ ไดรเวอร์ ควอร์ต และแมท บน GPU GeForce จนถึงสถาปัตยกรรม Ada; Hopper ไม่รองรับ 32 บิตอีกต่อไป

เลือกและติดตั้งชุดเครื่องมือบน Windows

ดาวน์โหลดตัวติดตั้งจากเว็บไซต์ NVIDIA CUDA อย่างเป็นทางการ คุณสามารถเลือกตัวติดตั้งเครือข่ายได้ (ดาวน์โหลดขั้นต่ำที่ใช้อินเทอร์เน็ตสำหรับส่วนที่เหลือ) หรือตัวติดตั้งแบบเต็ม (ทั้งหมดในแพ็คเกจเดียว มีประโยชน์สำหรับ เครื่องจักรที่ไม่มีเครือข่าย หรือการปรับใช้ในองค์กร) หลังจากดาวน์โหลดแล้ว ให้ตรวจสอบความสมบูรณ์ด้วยค่าตรวจสอบความถูกต้อง (เช่น MD5) เพื่อตัดปัญหาการทุจริต

เรียกใช้ตัวติดตั้งแบบกราฟิกและทำตามขั้นตอนบนหน้าจอ อ่านบันทึกย่อการเผยแพร่สำหรับเวอร์ชันของคุณ เนื่องจากมีรายละเอียดการเปลี่ยนแปลง ความเข้ากันได้ที่ชัดเจน และคำเตือนที่สำคัญ ตั้งแต่ CUDA 13 เป็นต้นไป ตัวติดตั้ง Toolkit จะไม่รวมไดรเวอร์อีกต่อไป ไดรเวอร์ NVIDIA จะถูกติดตั้งแยกต่างหาก จากหน้าไดรเวอร์ที่เกี่ยวข้อง

การติดตั้งแบบเงียบและการเลือกส่วนประกอบ

หากคุณจำเป็นต้องปรับใช้แบบเงียบๆ ตัวติดตั้งจะยอมรับโหมดไม่มีอินเทอร์เฟซด้วยตัวเลือก -s และอนุญาต เลือกแพ็คเกจย่อยที่เฉพาะเจาะจง แทนที่จะติดตั้งทุกอย่างตามชื่อ คุณยังสามารถป้องกันการรีสตาร์ทอัตโนมัติได้ด้วย -n การแบ่งย่อยนี้มีประโยชน์สำหรับการปรับแต่งสภาพแวดล้อมการสร้างและลดขนาดไฟล์ของคุณ

ในแพ็คเกจย่อยทั่วไปคุณจะพบรายการต่างๆ เช่น nvcc, cudart, cuBLAS, cuFFT, cuRAND, cuSOLVER, cuSPARSENsight Compute, Nsight Systems, การผสานรวม Visual Studio, NVRTC, NVTX, NVJitLink, demanglers และยูทิลิตี้อย่าง cuobjdump หรือ nvdisasm หากคุณต้องการคอมไพล์และโปรไฟล์ เลือกเครื่องมือ Nsightหากคุณแค่รันมัน รันไทม์ก็อาจเพียงพอแล้ว

แตกไฟล์ติดตั้งและตรวจสอบเนื้อหา

สำหรับการตรวจสอบหรือการบรรจุภัณฑ์ขององค์กร สามารถแยกตัวติดตั้งแบบสมบูรณ์ได้โดยใช้เครื่องมือที่รองรับ LZMA เช่น 7-Zip หรือ WinZip คุณจะพบต้นไม้และโมดูล CUDAToolkit ไฟล์รวม Visual Studio จะถูกจัดเก็บไว้ในโฟลเดอร์แยกต่างหาก ไฟล์ .dll และ .nvi ในโฟลเดอร์เหล่านั้นไม่ได้เป็นส่วนหนึ่งของเนื้อหาที่ติดตั้งได้

ติดตั้ง CUDA บน Windows ด้วย Conda

หากคุณต้องการจัดการสภาพแวดล้อมด้วย Conda, NVIDIA ได้เผยแพร่แพ็คเกจที่ anaconda.org/nvidia การติดตั้งชุดเครื่องมือขั้นพื้นฐาน ทำได้ด้วยคำสั่งเดียวคือ `conda install` และคุณยังสามารถแก้ไขเวอร์ชันก่อนหน้าได้โดยการเพิ่มแท็ก `release` เช่น เพื่อล็อคในเวอร์ชัน 11.3.1 ถอนการติดตั้ง มันก็ตรงไปตรงมาเช่นกัน

ติดตั้ง CUDA ผ่าน pip (ล้อ)

NVIDIA นำเสนอ Python wheel ที่เน้นรันไทม์ CUDA สำหรับ Windows โดยมีวัตถุประสงค์หลักเพื่อ การใช้ CUDA กับ Python และไม่ได้รวมเครื่องมือพัฒนาทั้งหมดไว้ด้วย ขั้นแรก ให้ติดตั้ง nvidia-pyindex เพื่อให้ pip รู้จักดัชนี NVIDIA NGC และตรวจสอบให้แน่ใจว่าคุณได้อัปเดต pip และ setuptools แล้ว เพื่อหลีกเลี่ยงข้อผิดพลาด จากนั้นติดตั้ง metapackages ที่คุณต้องการ เช่น nvidia-cuda-runtime-cu12 หรือ nvidia-cublas-cu12

เมตาแพ็กเกจเหล่านี้มุ่งเป้าไปที่แพ็กเกจเฉพาะ เช่น nvidia-cublas-cu129, nvidia-cuda-nvrtc-cu129, nvidia-npp-cu129 และอื่นๆ โปรดจำไว้ว่าสภาพแวดล้อมได้รับการจัดการโดย pipหากคุณต้องการใช้ CUDA นอก virtualenv คุณจะต้องปรับเส้นทางระบบและตัวแปรเพื่อเชื่อมโยงอย่างถูกต้อง

ตรวจสอบการติดตั้งบน Windows

เปิดพรอมต์คำสั่งและเรียกใช้ nvcc -V เพื่อยืนยันเวอร์ชันที่ติดตั้ง โคลนตัวอย่าง CUDA ดาวน์โหลดตัวอย่างจาก GitHub และคอมไพล์ด้วย Visual Studio รัน deviceQuery และ bandwidthTest: หากการสื่อสารกับ GPU สำเร็จ คุณจะเห็นอุปกรณ์ที่ตรวจพบและ การผ่านการทดสอบ ไม่มีข้อผิดพลาด หาก deviceQuery ไม่พบอุปกรณ์ ให้ตรวจสอบไดรเวอร์และดูว่า GPU มองเห็นได้ในระบบหรือไม่

WSL พร้อมการเร่งความเร็ว CUDA

Windows 11 และ Windows 10 เวอร์ชันล่าสุดรองรับการรันเฟรมเวิร์กและเครื่องมือ ML ที่เร่งความเร็วด้วย CUDA ภายใน WSL รวมถึง PyTorch, TensorFlow และ Docker การใช้ NVIDIA Container Toolkit ให้ติดตั้งไดรเวอร์ที่รองรับ CUDA ใน WSL ก่อน จากนั้นเปิดใช้งาน WSL และติดตั้งการแจกจ่าย glibc เช่น Ubuntu หรือ Debian

ตรวจสอบให้แน่ใจว่าคุณมีเคอร์เนล WSL ที่อัปเดตแล้ว (ขั้นต่ำ 5.10.43.3) ลองตรวจสอบดูด้วย ใช้ `wsl cat /proc/version` จาก PowerShell จากนั้นทำตามคู่มือผู้ใช้ CUDA ใน WSL เพื่อติดตั้งไลบรารีและคอนเทนเนอร์ และเริ่มรันเวิร์กโฟลว์ Linux บน Windows โดยไม่ต้องออกจากสภาพแวดล้อมของคุณ

ถอนการติดตั้ง CUDA บน Windows

หลังจากติดตั้ง CUDA บน Windows แล้ว คุณต้องการกลับไปใช้เวอร์ชันก่อนหน้าหรือไม่? สามารถกลับไปใช้ซับแพ็กเกจทั้งหมดได้ ถอนการติดตั้งจากแผงควบคุม การใช้โปรแกรมและคุณลักษณะ หากคุณจัดการชุดเครื่องมือด้วย Conda หรือ pip ให้ใช้กลไกการถอนการติดตั้งของผู้จัดการแต่ละคนเพื่อหลีกเลี่ยงการทิ้งแพ็คเกจตกค้าง

หมายเหตุเกี่ยวกับความเข้ากันได้ของเวอร์ชัน

CUDA 11.8 เป็นเวอร์ชันที่ได้รับความนิยมอย่างมากเนื่องจากความเสถียรและการรองรับระบบนิเวศ ข้อกำหนดทั่วไป สำหรับเวอร์ชัน 11.8: GPU ที่มีความสามารถในการประมวลผล 3.0 ขึ้นไป, 64 บิต, RAM อย่างน้อย 8 GB และหน่วยความจำ GPU อย่างน้อย 4 GB บน Linux สามารถทำงานร่วมกับระบบปฏิบัติการต่างๆ เช่น Ubuntu 18.04/20.04, RHEL/CentOS 7/8 เป็นต้น

CUDA 12.x แนะนำการปรับปรุงรันไทม์และไลบรารีและผลักดันการอ้างอิงของ ไดร์เวอร์ล่าสุดCUDA 13 แยกไดรเวอร์ออกจากตัวติดตั้ง Toolkit อย่างถาวร: อย่าลืมติดตั้งไดรเวอร์ด้วยตัวเอง คำชี้แจงที่สำคัญCUDA คือเทคโนโลยีของ NVIDIA และต้องใช้ GPU ของ NVIDIA หากคุณเห็นที่ไหนก็ตามที่ระบุว่าเทคโนโลยีนี้เข้ากันได้กับ GPU ของ AMD ด้วย นั่นไม่ถูกต้องสำหรับสแต็ก CUDA

การติดตั้ง CUDA บน Windows: การแก้ไขปัญหาทั่วไป

• โปรแกรมติดตั้งล้มเหลวหรือไม่สามารถทำงานให้เสร็จสิ้นตรวจสอบบันทึกการติดตั้งและตรวจสอบโปรแกรมป้องกันไวรัส พื้นที่ดิสก์ และสิทธิ์ผู้ดูแลระบบ ลองอีกครั้งด้วยตัวติดตั้งแบบเต็มหากเครือข่ายไม่เสถียร หรือในโหมดเงียบหากมีปัญหา UI ขัดข้อง
• deviceQuery ไม่ตรวจจับ GPUตรวจสอบว่าไดรเวอร์ถูกต้อง GPU ทำงานอยู่ และแอปกำลังใช้งาน dGPU อยู่ อัปเดตไดรเวอร์และติดตั้ง Toolkit ใหม่หากจำเป็น
• ความขัดแย้งกับร้านหนังสือหากคุณติดตั้งชุดเครื่องมือไว้หลายชุด ให้ตรวจสอบความถูกต้องของ CUDA_PATH และ PATH ใน Python ให้ตรวจสอบว่าเวอร์ชันของ PyTorch หรือ TensorFlow และการกำหนดค่าต่างๆ เข้ากันได้กับเวอร์ชัน CUDA/cuDNN ของคุณหรือไม่
• Visual Studio ไม่ได้คอมไพล์ .cuเพิ่ม CUDA Build Customizations ลงในโปรเจ็กต์ของคุณ และทำเครื่องหมายไฟล์ .cu เป็น CUDA C/C++ ตรวจสอบว่า MSVC เข้ากันได้กับชุดเครื่องมือของคุณ

เครื่องมือ ตัวอย่าง และเอกสารประกอบ

นอกเหนือจาก nvcc และไลบรารีแล้ว ชุดเครื่องมือสำหรับการติดตั้ง CUDA บน Windows ยังประกอบด้วยโปรไฟล์และตัววิเคราะห์ เช่น Nsight Systems และ Nsight Compute และเอกสาร HTML/PDF สำหรับภาษา C++ ของ CUDA และ แนวปฏิบัติที่ดีขึ้นตัวอย่างอย่างเป็นทางการมีอยู่ใน GitHub และถือเป็นพื้นฐานที่ยอดเยี่ยมสำหรับการตรวจสอบไดรเวอร์ ประสิทธิภาพหน่วยความจำ และมัลติโปรเซสเซอร์

เมื่อใดควรใช้ Conda หรือ pip เทียบกับตัวติดตั้งแบบคลาสสิก

Conda และ pip ​​เหมาะอย่างยิ่งเมื่อคุณมุ่งเน้นไปที่การรันเฟรมเวิร์ก ML ที่รวมการอ้างอิงที่สอดคล้องกับเวอร์ชัน CUDA เฉพาะแล้ว ความได้เปรียบการแยกสภาพแวดล้อมและแรงเสียดทานน้อยลง ข้อเสีย: สำหรับการพัฒนา C++ ดั้งเดิมหรือการผสานรวมกับ VS อย่างสมบูรณ์ โปรแกรมติดตั้ง Toolkit แบบคลาสสิกมีให้ เครื่องมือทั้งหมด และประสบการณ์ที่สมบูรณ์แบบที่สุด

คำถามที่พบบ่อย

• ฉันจะรู้ได้อย่างไรว่า GPU ของฉันรองรับ CUDA หรือไม่ เปิด Device Manager ไปที่ Display adapters และตรวจสอบรุ่น เปรียบเทียบกับรายการ CUDA GPU อย่างเป็นทางการของ NVIDIA คุณยังสามารถรันคำสั่ง nvidia-smi และยืนยันว่า GPU ของคุณปรากฏขึ้น.
• ฉันสามารถฝึกโดยไม่ใช้ CUDA ได้ไหม? ใช่ มันจะทำงานบน CPU ได้ แต่จะช้ากว่า หากต้องการใช้ GPU กับ PyTorch หรือ TensorFlow บน Windows โปรดตรวจสอบให้แน่ใจว่าคุณได้ติดตั้ง รุ่นที่รองรับ ด้วย CUDA เวอร์ชันของคุณหรือใช้ WSL กับคอนเทนเนอร์ NVIDIA
• รุ่นเก่าโดยเฉพาะเครื่องมือบางอย่างต้องใช้การรวมกัน เช่น CUDA 10.1 กับ cuDNN 7.6.4 ในกรณีนั้น ให้ติดตั้งเวอร์ชันเหล่านั้นและวาง DLL ของ cuDNN ในโฟลเดอร์ bin ของชุดเครื่องมือที่เกี่ยวข้อง หลีกเลี่ยงการมี cuDNN หลายรายการในเวลาเดียวกัน

หากคุณต้องการติดตั้ง CUDA บน Windows และเพิ่มความเร็วในการทำงานของคุณด้วยคำแนะนำฉบับสมบูรณ์ ขั้นตอนและคำแนะนำด้านบนจะช่วยให้คุณทำทุกอย่างเสร็จได้ มันพอดีเหมือนถุงมือ จากการสร้างครั้งแรก