如何在 Windows 上无错误地安装 CUDA：面向开发者和创作者的指南

在 Windows 上安装 CUDA 只要知道从哪里开始以及每一步要检查什么，就不会感到头疼。 本文将以实用方式指导您。涵盖兼容性、安装、验证和常见故障排除等所有细节，以确保工具包第一次就能在您的计算机上完美运行。

除了介绍 Windows 上的经典 Toolkit 安装方法外，您还将了解如何将 CUDA 与 WSL 一起使用，如何使用 Conda 或 pip 安装它，如何使用 Visual Studio 编译示例，以及了解 Windows 上不同的 NVIDIA 驱动程序模型。 信息统一且最新。 根据官方指南和您可能遇到的真实场景，例如配备混合 AMD 集成显卡 + NVIDIA 独立显卡的笔记本电脑。

CUDA是什么？它在Windows系统中能提供哪些功能？

CUDA 正是NVIDIA的并行编程平台和模型使得这一切成为可能。 利用 GPU 加速应用程序从人工智能和数据科学到模拟和图像处理。在实际应用中，在 Windows 上安装 CUDA 工具包可获得 nvcc 编译器、运行时环境、cuBLAS、cuFFT、cuRAND 和 cuSOLVER 等库、调试和性能分析工具以及可直接编译的示例。

CUDA 设计使得在同一应用程序中混合使用 CPU 和 GPU 变得容易：各个部分 处理器中的串行 GPU上的并行处理部分可以提供成百上千个并行运行的线程。这得益于共享的片上内存和优化的库。 性能飞跃 通常在高负荷下比较明显。

Windows 系统中的系统和编译器兼容性

使用安装程序之前，建议先检查兼容性。 兼容的窗口 该工具包的最新版本包括：Windows 11 24H2、23H2 和 22H2-SV2；Windows 10 22H2；以及 Windows Server 2022 和 2025。

在编译器中，典型的支持包括 MSVC 193x 与 Visual Studio 2022 17.x 兼容 以及 MSVC 192x 和 Visual Studio 2019 16.x，支持 C++11、C++14、C++17 和 C++20 方言（取决于版本）。Visual Studio 2015 在 CUDA 11.1 中已被弃用；VS 2017 在 12.5 中已被弃用，并在 13.0 中被移除。 请核对您版本的确切矩阵。 避免恐惧。

对于遗留项目而言，这一点很重要：从 CUDA 12.0 开始，32 位编译功能已被移除，并且在 x64 系统上执行 32 位 x86 二进制文件的功能也受到限制。 司机、夸脱和数学 在 GeForce GPU 上，最高支持 Ada 架构；Hopper 不再支持 32 位。

在 Windows 上选择并安装工具包

从NVIDIA CUDA官方网站下载安装程序。 您可以选择网络安装程序 （最小下载包，其余部分通过互联网下载）或完整安装程序（所有内容都在一个软件包中，适用于 没有网络的机器 或企业部署）。下载后，使用校验和（例如 MD5）验证完整性，以排除文件损坏的可能性。

运行图形安装程序，并按照屏幕上的步骤操作。 请阅读您所用版本的发行说明 因为它详细说明了变更、确切的兼容性以及重要警告。从 CUDA 13 开始，工具包安装程序不再包含驱动程序。 NVIDIA驱动程序是单独安装的。 从相应的驱动程序页面下载。

静音安装和组件选择

如果需要静默部署，安装程序接受使用 -s 选项的无界面模式并允许 选择特定子包 可以按名称安装，而不是一次性安装所有内容。您还可以使用 `-n` 参数阻止自动重启。这种精细化控制有助于自定义构建环境并减少系统资源占用。

常见的子套餐中包含以下项目： nvcc、cudart、cuBLAS、cuFFT、cuRAND、cuSOLVER、cuSPARSENsight Compute、Nsight Systems、Visual Studio 集成、NVRTC、NVTX、NVJitLink、反编译工具以及类似 cuobjdump 或 nvdisasm 的实用程序。如果您要进行编译和性能分析， 选择 Nsight 工具如果你只是运行它，运行时环境可能就足够了。

解压安装程序并查看其内容

对于审计或企业打包，可以使用支持 LZMA 的工具（例如 7-Zip 或 WinZip）提取完整的安装程序。 您将找到 CUDAToolkit 树和模块 Visual Studio 集成文件放置在单独的文件夹中。这些文件夹中的 .dll 和 .nvi 文件本身并不包含在可安装内容中。

使用 Conda 在 Windows 上安装 CUDA

如果您更喜欢使用 Conda 管理环境，NVIDIA 在 anaconda.org/nvidia 上发布了软件包。 工具包的基本安装 只需一条命令 `conda install` 即可完成，您还可以通过添加 `release` 标签来修复以前的版本，例如，锁定版本 11.3.1。 卸载 它同样直接。

通过 pip（wheels）安装 CUDA

NVIDIA 提供专注于 Windows CUDA 运行时的 Python wheel 包。它们主要面向…… 在 Python 中使用 CUDA 它们不包含完整的开发工具。首先，请安装 nvidia-pyindex，以便 pip 能够识别 NVIDIA NGC 索引，并确保 pip 和 setuptools 已更新，以避免出现错误。 然后安装元软件包。 您需要的，例如 nvidia-cuda-runtime-cu12 或 nvidia-cublas-cu12。

这些元软件包针对特定软件包，例如 nvidia-cublas-cu129、nvidia-cuda-nvrtc-cu129、nvidia-npp-cu129 等。 请记住，环境是由 pip 管理的。如果要在虚拟环境之外使用 CUDA，则需要调整系统路径和变量以正确链接。

验证 Windows 上的安装情况

打开命令提示符并运行 nvcc -V 以确认已安装的版本。 克隆 CUDA 样本 从 GitHub 下载示例并使用 Visual Studio 编译。运行 deviceQuery 和 bandwidthTest：如果与 GPU 通信成功，您将看到设备已被检测到。 通过测试 没有错误。如果 deviceQuery 找不到设备，请检查驱动程序并确认 GPU 在系统中可见。

带有 CUDA 加速的 WSL

Windows 11 和最新版本的 Windows 10 支持在 WSL 中运行 CUDA 加速的机器学习框架和工具，包括 PyTorch、TensorFlow 和 Docker 使用 NVIDIA Container Toolkit，首先在 WSL 中安装支持 CUDA 的驱动程序，然后启用 WSL 并安装 glibc 发行版，例如 Ubuntu 或 Debian。

请确保您已更新 WSL 内核（最低版本为 5.10.43.3）。 用……查看 在 PowerShell 中使用 `wsl cat /proc/version` 命令。然后按照 WSL 中的 CUDA 用户指南安装库和容器，即可在 Windows 上运行 Linux 工作流，而无需离开当前环境。

在 Windows 上卸载 CUDA

在 Windows 系统上安装 CUDA 后，是否要回滚到之前的版本？所有子软件包都可以回滚。 从控制面板卸载 使用程序和功能。如果您使用 Conda 或 pip 管理工具包，请使用各管理器的卸载机制，以避免留下任何软件包残留。

版本兼容性说明

CUDA 11.8 版本因其稳定性和生态系统支持而广受欢迎。 典型要求 对于 11.8 版本：GPU 计算能力需达到 3.0 或更高，支持 64 位架构，至少需要 8 GB 内存和至少 4 GB 显存。在 Linux 系统上，它与 Ubuntu 18.04/20.04、RHEL/CentOS 7/8 等发行版兼容性良好。

CUDA 12.x 引入了运行时和库方面的改进，并推送了依赖项。 最新驱动程序CUDA 13 将驱动程序与 Toolkit 安装程序永久分离：请记住自行安装驱动程序。 重要说明CUDA 是 NVIDIA 的技术，需要 NVIDIA GPU；如果您看到任何地方说它也兼容 AMD GPU，那对于 CUDA 堆栈来说就不正确了。

在 Windows 上安装 CUDA：常见问题排查

• 安装程序失败或未能完成安装。请检查安装程序日志，并确认您的防病毒软件、磁盘空间和管理员权限。如果网络不稳定，请尝试使用完整安装程序；如果出现用户界面冲突，请尝试静默模式。
• deviceQuery 无法检测到 GPU检查驱动程序是否正确，GPU 是否已激活，以及应用程序是否正在使用独立显卡 (dGPU)。如有必要，请更新驱动程序并重新安装工具包。
• 与书店的冲突如果安装了多个工具包，请验证 CUDA_PATH 和 PATH 环境变量。在 Python 中，请检查 PyTorch 或 TensorFlow 的版本及其配置是否与 CUDA/cuDNN 版本兼容。
• Visual Studio 无法编译 .cu 文件。将 CUDA 构建自定义项添加到您的项目中，并将 .cu 文件标记为 CUDA C/C++。验证 MSVC 是否与您的工具包兼容。

工具、示例和文档

除了 nvcc 和库之外，用于在 Windows 上安装 CUDA 的工具包还包括 Nsight Systems 和 Nsight Compute 等配置文件和分析器，以及 CUDA C++ 语言的 HTML/PDF 文档。 最佳做法官方示例位于 GitHub 上，是验证驱动程序、内存性能和多处理器的绝佳基础。

何时使用 Conda 或 pip 而不是传统安装程序

如果您专注于运行已经打包了与特定 CUDA 版本一致的依赖项的 ML 框架，那么 Conda 和 pip 是理想的选择。 优势环境隔离性强，摩擦更少。缺点：对于原生 C++ 开发或与 VS 的完全集成，传统的 Toolkit 安装程序提供 所有工具 以及最完整的体验。

快速常见问题解答

• 如何判断我的显卡是否兼容CUDA？ 打开设备管理器，转到显示适配器，查看型号；将其与 NVIDIA 官方的 CUDA GPU 列表进行比较。您也可以运行 nvidia-smi 命令进行确认。 您的GPU显示.
• 我可以不用 CUDA 进行训练吗？ 是的，它可以在 CPU 上运行，但速度会比较慢。要在 Windows 上使用 GPU 运行 PyTorch 或 TensorFlow，请确保已安装 GPU。 兼容版本 使用您当前的 CUDA 版本，或者使用带有 NVIDIA 容器的 WSL。
• 特定旧版本某些工具需要特定的版本组合，例如 CUDA 10.1 和 cuDNN 7.6.4。在这种情况下，请安装这些确切的版本并放置好。 cuDNN 的 DLL 在相应工具包的 bin 文件夹中，避免同时存在多个 cuDNN。

如果您想在 Windows 上安装 CUDA 并借助完整的指南加快工作速度，以上步骤和建议将帮助您完成所有操作。 它就像手套一样合身。 从第一个版本开始。