Windows 10 系统下 CUDA/cuDNN 安装配置全攻略

对于想要在 Windows 10 上运行深度学习、AI 绘图或科学计算的朋友来说，正确安装 NVIDIA 的 CUDA 工具包和 cuDNN 加速库是至关重要的一步。这个过程看似复杂，但只要跟着步骤走，新手也能轻松搞定。本文将手把手带你完成从零到一的完整配置。

一、安装前必须搞清楚的几件事

在开始下载安装包之前，我们先理清几个核心概念，这能帮你避免后面 90% 的坑。

1. 版本匹配是成功的关键 CUDA、cuDNN、你的 NVIDIA 显卡驱动、以及你要用的深度学习框架（如 TensorFlow、PyTorch），它们之间的版本必须相互兼容。装错了版本，轻则无法加速，重则程序报错无法运行。

2. 如何查看你的显卡驱动版本？ 这是决定你 CUDA 版本上限的第一步。

在桌面空白处点击鼠标右键，选择“NVIDIA 控制面板”。
点击左下角的“系统信息”。
在弹出的窗口中，切换到“驱动程序”选项卡。
记录下“驱动程序版本”后面的数字，例如 536.99。

3. 根据驱动版本选择 CUDA 版本 NVIDIA 官网有详细的兼容性列表。一个简单的对应关系是：较新的驱动支持较老的 CUDA，反之则不行。例如，驱动版本 536.99 最高可以支持到 CUDA 12.2。为了稳定，建议选择比当前驱动支持版本稍低一点的 CUDA，比如 CUDA 11.8 或 12.1。

4. 根据 CUDA 版本选择 cuDNN 版本 cuDNN 是 CUDA 的深度神经网络加速库，其版本必须与 CUDA 版本严格对应。在 cuDNN 的下载页面，每个版本都会明确标注其对应的 CUDA 版本。

二、手把手安装 CUDA Toolkit

假设我们以目前比较稳定且兼容性广的 CUDA 11.8 为例进行安装。

第一步：下载安装包

访问 NVIDIA 开发者官网的 CUDA Toolkit 下载页面。
在版本选择中，依次选择：
- 操作系统：Windows
- 架构：x86_64
- 系统版本：Windows 10
- 安装程序类型：推荐选择“exe (network)”（网络安装包，体积小）或“exe (local)”（本地安装包，无需联网但体积大）。
点击下载，会得到一个名为 cuda_11.8.0_win10_network.exe 之类的安装文件。

第二步：运行安装程序

双击运行下载的安装程序。它会先解压到临时目录。
进入安装向导后，建议选择“自定义”安装，而不是“精简”安装。这样可以更清楚地看到安装内容，避免安装不必要的组件。
在“自定义安装选项”中，最关键的一步：查看“Driver components”（驱动程序组件）。如果你的显卡驱动已经是最新且稳定，务必取消勾选其中的“Display Driver”。这样可以避免安装程序覆盖你现有的显卡驱动，导致不必要的麻烦。其他组件（如 CUDA Toolkit、Nsight等）保持默认勾选即可。
接下来选择安装位置。默认安装在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8，建议保持默认，方便后续环境变量配置。
点击“下一步”开始安装，等待完成。

第三步：验证 CUDA 是否安装成功 安装完成后，我们需要检查一下。

打开命令提示符（CMD）：在 Windows 搜索框输入 cmd，右键选择“以管理员身份运行”。
输入以下命令并回车：
```
nvcc -V
```
如果安装成功，你会看到类似下面的输出，显示了 CUDA 的版本信息：
```
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Wed_Sep_21_10:41:10_Pacific_Daylight_Time_2022
Cuda compilation tools, release 11.8, V11.8.89
```
如果提示“nvcc 不是内部或外部命令”，说明环境变量可能没有自动配置好，请看下一步。

第四步：配置环境变量（重要！） 这是让系统能找到 CUDA 工具的关键一步。

在桌面“此电脑”图标上右键，选择“属性”。
点击右侧的“高级系统设置”。
在弹出的窗口中，点击底部的“环境变量”。
在“系统变量”区域，找到并选中 Path 变量，点击“编辑”。

点击“新建”，添加以下两条路径（请根据你的实际安装路径调整）：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp

点击“确定”保存所有更改。
重新打开一个新的命令提示符窗口，再次输入 nvcc -V，现在应该能正确显示版本了。

三、安装与配置 cuDNN

cuDNN 的安装不是运行一个安装程序，而是手动复制文件。

第一步：下载 cuDNN

访问 NVIDIA cuDNN 下载页面（需要注册并登录 NVIDIA 开发者账号，过程免费）。
在版本列表中，找到与 CUDA 11.8 对应的 cuDNN 版本。例如，对于 CUDA 11.x，你可以选择 cuDNN for CUDA 11.x 的最新子版本（如 v8.9.x）。
下载适用于 Windows 的压缩包，通常是 cudnn-windows-x86_64-8.x.x.x_cuda11-archive.zip 这样的格式。

第二步：解压并复制文件

将下载的 ZIP 压缩包解压，你会得到一个名为 cuda 的文件夹，里面包含 bin、include、lib 三个子文件夹。
打开你的 CUDA 安装目录，默认是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。
将 cuDNN 解压出的文件合并到 CUDA 目录中：
- 将 cuda\bin 文件夹内的所有文件（主要是 .dll 文件），复制到 CUDA\v11.8\bin 目录下。
- 将 cuda\include 文件夹内的所有文件（主要是 .h 头文件），复制到 CUDA\v11.8\include 目录下。
- 将 cuda\lib\x64 文件夹内的所有文件（主要是 .lib 库文件），复制到 CUDA\v11.8\lib\x64 目录下。
如果系统提示需要管理员权限，点击“继续”即可。

四、最终验证与常见问题

验证安装是否完全成功 我们可以用一个简单的 Python 脚本来测试 TensorFlow 是否能调用 GPU。

确保你已经安装了 Python 和 TensorFlow（GPU 版本）。在命令提示符中运行：
```
pip install tensorflow
```
（注意：TensorFlow 2.10 及以后版本，Windows 原生支持 CUDA 11.2，对于 CUDA 11.8，你可能需要安装 tensorflow-cpu 或寻找特定版本，这里以验证环境为主）

打开 Python 交互环境或新建一个 .py 文件，输入以下代码：

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))
print(tf.__version__)

运行代码。如果输出中显示了一个 GPU 设备列表（而不是空列表 []），并且打印出了 TensorFlow 版本，那么恭喜你，CUDA 和 cuDNN 配置成功！你的深度学习任务现在可以飞一般地运行在显卡上了。

常见问题与解决

问题：nvcc -V 成功，但 TensorFlow/PyTorch 找不到 GPU。
- 检查：框架版本与 CUDA/cuDNN 版本是否匹配。这是最常见的原因。去 TensorFlow/PyTorch 官网查看版本对应表。
- 检查：是否安装了正确的框架 GPU 版本。例如 PyTorch 安装时需在官网选择 CUDA 11.8 对应的安装命令。
问题：安装 CUDA 后系统蓝屏或显示异常。
- 原因：很可能是在安装 CUDA 时没有取消勾选“Display Driver”，导致显卡驱动被错误覆盖或冲突。
- 解决：进入安全模式，使用 DDU 工具彻底清除 NVIDIA 显卡驱动，然后重新安装官网下载的最新稳定版驱动，再重新安装 CUDA（记得取消勾选驱动组件）。

给新手的终极建议 对于第一次配置的新手，强烈建议在安装前，先确定你要用的 深度学习框架（如 PyTorch）的目标版本，然后根据该框架官网的说明，反向确定它需要哪个版本的 CUDA 和 cuDNN，最后再根据 CUDA 版本要求来更新或确保显卡驱动符合条件。这个“逆向配置”的思路，能最大程度保证一次成功。

按照以上步骤，你就能在 Windows 10 上搭建起一个强大的 GPU 计算环境，为你的 AI 学习和开发铺平道路。如果在具体步骤中遇到任何细节问题，可以随时根据错误信息搜索，通常都能找到解决方案。祝你配置顺利！