怎样检查CUDA环境配置 - GPU

要检查 CUDA 环境是否配置正确，可以按下面步骤逐项排查（适用于 Linux / Windows，WSL 类似）。

一、检查 NVIDIA 驱动是否正常

1️⃣ 查看显卡驱动

nvidia-smi

✅ 正常情况会显示：

NVIDIA 驱动版本
CUDA Version（这是驱动支持的最高 CUDA 版本，不是你实际安装的 CUDA）

❌ 若提示 command not found 或报错：

驱动未安装或未加载
Linux 可能需要：

sudo apt install nvidia-driver-535

二、检查 CUDA Toolkit 是否安装

2️⃣ 查看 nvcc 编译器

nvcc --version

✅ 显示类似：

Cuda compilation tools, release 12.1, V12.1.105

❌ 若提示 command not found：

CUDA 未安装
或环境变量未配置

三、检查 CUDA 环境变量（非常重要）

3️⃣ 查看环境变量

echo $PATH
echo $LD_LIBRARY_PATH

✅ 应包含类似路径（以 CUDA 12 为例）：

/usr/local/cuda/bin
/usr/local/cuda/lib64

4️⃣ 若没有，手动添加

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

永久生效（推荐）：

echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

四、确认 CUDA 安装目录

ls /usr/local/cuda*

常见结果：

/usr/local/cuda       # 软链接
/usr/local/cuda-12.1

五、编译并运行 CUDA 示例（最可靠）

5️⃣ 编译示例

cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

✅ 输出：

Result = PASS

❌ 若失败：

驱动 / CUDA 版本不匹配
显卡不支持该 CUDA 版本

六、在 Python 中检查（深度学习常用）

6️⃣ PyTorch

import torch
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

7️⃣ TensorFlow

import tensorflow as tf
print(tf.config.list_physical_devices("GPU"))

七、常见版本关系速查

组件	说明
nvidia-smi 中的 CUDA	驱动支持的最高版本
nvcc --version	实际安装的 CUDA Toolkit
PyTorch / TF	需与 CUDA 版本匹配

八、常见问题速排

❓ nvidia-smi 正常，但 CUDA 不可用

驱动 ≠ CUDA Toolkit
没装 CUDA Toolkit 或环境变量错误

❓ nvcc 不存在

sudo apt install nvidia-cuda-toolkit

❓ PyTorch 检测不到 GPU

CUDA 版本与 PyTorch 不匹配
使用了 CPU 版 PyTorch

如果你愿意，可以告诉我：

✅ 操作系统（Ubuntu / Windows / WSL）
✅ 显卡型号
✅ 使用场景（PyTorch / TensorFlow / C++）

我可以给你 精确到版本的配置方案。