3、CUDA开发环境搭建：NVIDIA驱动安装、CUDA Toolkit安装、cuDNN配置、环境变量设置、验证安装成功
好，咱们直接进入正题。搭建CUDA开发环境，说白了就是给你的机器装上「大脑」和「工具」。我见过太多新手在这步栽跟头，装完驱动发现CUDA版本不对，或者cuDNN死活配不上。别急，我带你一步步走。
3.1 NVIDIA驱动安装：先让显卡「醒过来」
驱动是显卡的「操作系统」。没有它，GPU就是个摆设。我个人习惯先查清楚显卡型号，再去NVIDIA官网下载对应驱动。
关键点：驱动版本必须支持你后续要装的CUDA版本。比如你要装CUDA 11.8，驱动版本至少得是520.x以上。
安装步骤其实很简单：
- 去NVIDIA官网下载对应显卡的驱动（Linux选.run文件，Windows选.exe）
- 关闭图形界面（Linux下按Ctrl+Alt+F2进入命令行）
- 运行安装程序，一路默认即可
嗯，这里要注意：Linux下安装驱动时，记得先卸载旧驱动。我曾经遇到过直接覆盖安装导致系统黑屏的情况，后来学乖了，先用nvidia-uninstall清理干净。
3.2 CUDA Toolkit安装：给GPU配「编译器」
驱动装好了，显卡能工作了。但你要写CUDA代码，还得装CUDA Toolkit。它包含了nvcc编译器、CUDA运行时库、各种工具。
我个人推荐用runfile方式安装，因为可以自定义路径。deb包虽然方便，但有时候会强制装到系统目录，后续管理起来麻烦。
# 下载CUDA 11.8 runfile
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
# 运行安装（注意不要选驱动，只装Toolkit）
sudo sh cuda_11.8.0_520.61.05_linux.run --toolkit --silent --toolkitpath=/usr/local/cuda-11.8为什么只装Toolkit不装驱动？因为驱动我们已经单独装好了，再装一遍容易冲突。你想想看，两个驱动抢着控制显卡，系统不崩才怪。
3.3 cuDNN配置：给深度学习「加速」
cuDNN是NVIDIA专门为深度学习优化的库。说白了，它把卷积、池化这些操作做到了极致。没有它，训练速度能慢好几倍。
安装cuDNN其实就三步：
- 去NVIDIA官网下载对应CUDA版本的cuDNN（需要注册账号）
- 解压后把文件复制到CUDA安装目录
- 设置好权限
# 解压cuDNN
tar -xzvf cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz
# 复制文件到CUDA目录
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64
# 设置权限
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h
sudo chmod a+r /usr/local/cuda-11.8/lib64/libcudnn*小技巧：复制完文件后，可以用ldconfig刷新动态链接库缓存。我经常忘了这步，结果程序运行时提示找不到libcudnn.so。
3.4 环境变量设置：让系统找到CUDA
环境变量就像「路标」。系统需要知道CUDA装在哪，才能找到nvcc和库文件。
我个人习惯把环境变量写在~/.bashrc里，这样每次打开终端自动生效。
# 编辑 ~/.bashrc
export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-11.8
# 使配置生效
source ~/.bashrc嗯，这里有个坑：如果你装了多个CUDA版本，记得把路径写对。我曾经同时装了CUDA 11.8和12.0，结果nvcc --version显示的版本跟预期不一样。后来发现是PATH里旧版本路径排在新版本前面。
3.5 验证安装成功：确认一切就绪
装完了，怎么知道对不对？三步验证法：
- 检查驱动：
nvidia-smi能正常显示GPU信息 - 检查CUDA：
nvcc --version显示正确版本 - 检查cuDNN：编译并运行一个简单的测试程序
# 编译cuDNN测试程序
cp -r /usr/src/cudnn_samples_v8/ $HOME
cd $HOME/cudnn_samples_v8/mnistCUDNN
make clean && make
./mnistCUDNN
# 看到 "Test passed!" 就说明成功了警告：如果nvidia-smi显示驱动版本和CUDA版本不匹配，别慌。驱动版本只要大于等于CUDA要求的最低版本就行。比如驱动520.x可以支持CUDA 11.8，但驱动470.x就不行。
3.6 知识体系总览
下面这张图帮你理清整个搭建流程。我画的时候特意把依赖关系标出来了，你看一眼就明白为什么顺序不能乱。
这张图把整个流程串起来了。你按这个顺序走，基本不会出大问题。我刚开始学的时候，就是先装cuDNN再装Toolkit，结果折腾了半天才发现顺序反了。
3.7 常见问题与避坑指南
最后分享几个我踩过的坑：
- 驱动版本不匹配：我曾经在Ubuntu 20.04上装了最新的驱动，结果内核模块加载失败。后来发现是内核版本太旧，不支持新驱动。解决办法是升级内核或者用LTS版本的驱动。
- cuDNN版本不对：cuDNN必须和CUDA版本严格对应。比如CUDA 11.8只能用cuDNN 8.6.x，不能用8.7.x。我见过有人硬装上去，编译能过，运行时直接段错误。
- 环境变量冲突：如果你装了多个CUDA版本，记得用
update-alternatives管理默认版本。我习惯在~/.bashrc里只保留一个版本的路径，避免混乱。
一句话总结：驱动是基础，Toolkit是工具，cuDNN是加速器，环境变量是路标，验证是保险。每一步都别跳过。
好了，环境搭建就讲到这里。你按这个流程走一遍，应该半小时内就能搞定。如果遇到问题，先检查驱动版本和CUDA版本是否匹配，八成问题出在这。