Linux|CUDA与cuDNN下载安装全指南：默认/指定路径双方案+多CUDA环境一键切换

本篇文章将详细介绍在Linux操作系统中配置CUDA和cuDNN的步骤。通过本教程，您将能够轻松完成CUDA和cuDNN的安装、环境变量配置以及与深度学习框架（如TensorFlow和PyTorch）兼容性测试，从而为您的深度学习项目提供强大的硬件支持。无论您是深度学习的初学者，还是有一定经验的开发者，本篇文章都将帮助您快速搭建起高效的GPU加速开发环境。

1 电脑支持的 CUDA 版本

进入cmd查看当前本机驱动程序支持的 CUDA 版本：

bash 复制代码

nvidia-smi

如图所示：

我的电脑最高支持cuda11.4版本。

2 cuda和cudnn下载及安装

CUDA 和 cuDNN 都是由 NVIDIA 提供的用于加速计算的工具，但它们的作用和功能有所不同。CUDA 是 NVIDIA 提供的一种并行计算平台和编程模型，旨在利用 NVIDIA GPU 的计算能力进行加速。cuDNN 是基于 CUDA 构建的深度学习加速库，它专门用于加速深度神经网络的训练和推理。
深度学习任务，通常需要同时安装 CUDA 和 cuDNN，确保它们的版本匹配，并能在 GPU 上高效运行深度学习框架。

2.1 cuda下载及安装

cuda下载地址：cuda

2.1.1 选择cuda下载版本

如上图所示，这里根据步骤1你查出来的cuda支持版本决定你要下载的cuda的版本。

如果你想部署的项目对cuda版本有要求，尽量下载与你想要配置项目的cuda版本一致，如下图所示：

如果你想要部署的项目对cuda没有要求，则尽量下载一个高一点版本的cuda，一般cuda有向下兼容的特性。当然，如果内存足够，你可以多下载几个版本的cuda，只需要修改环境变量就可以实现一个电脑多个cuda版本的无缝切换。

2.1.2 选择cuda下载方式

如图所示，因为我电脑最高支持cuda11.4，我这里选择下载cuda11.4，根据你的电脑参数去选择cuda：

选择之后会自动蹦出你要下载的方式：

shell 复制代码

wget https://developer.download.nvidia.com/compute/cuda/11.4.0/local_installers/cuda_11.4.0_470.42.01_linux.run
sudo sh cuda_11.4.0_470.42.01_linux.run

2.1.3 cuda安装(默认安装位置)

使用命令sudo sh cuda_11.4.0_470.42.01_linux.run安装,会出现一下画面：

我这里已经安装了nvidia驱动，所以勾选掉了Driver,至于CUDA Sample、CUDA Demo Suite、CUDA Documentation与CUDA库没有关系，所以也勾选掉了：

如图所示，cuda会自动安装在/usr/local目录下：

2.1.4 cuda安装(指定安装位置)

使用命令sudo sh cuda_11.4.0_470.42.01_linux.run安装,会出现一下画面：

选Options回车
选Tookit_Options回车
选Change Toolkit Install Path回车
这里设置成你要安装的路径,然后点回车

然后按照一下步骤安装：

2.1.5 验证是否配置环境变量

shell 复制代码

nvcc -V

如图所示，这样算是成功：

如果没自动写入环境变量需要手动写入：

shell 复制代码

# 编辑 .bashrc 文件
sudo apt install vim
vim ~/.bashrc

# 在文件末尾添加以下内容
export PATH=/usr/local/cuda-11.4/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.4/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-11.4

# 保存退出（Ctrl+O → 回车 → Ctrl+X），生效配置
source ~/.bashrc

# 再次验证（新开终端也能执行 nvcc -V）
nvcc -V

注意：这里/usr/local/cuda-11.4修改成你安装的cuda库位置，切换cuda环境只需要修改bashrc文件对应的cuda环境即可。

2.2 cudnn下载及安装

2.2.1 cudnn下载

cudnn下载网址：cudnn

如图所示，进去后直接选择与你cuda匹配的cudnn版本，我这里是cuda11.4、Linux所以选这一个：

点击之后，会让输入你的在英伟达官网注册邮箱地址和密码，输入之后就会直接跳转下载。

2.2.2 cudnn安装

下载完成后上传到服务器，找到合适的路径解压缩安装包：

然后使用一下命令解压

shell 复制代码

tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz

然后将相应文件复制到cuda的安装路径，并修改权限即可，其中cudnn-linux-x86_64-8.9.7.29_cuda11-archive为解压缩后的文件路径，/usr/local/cuda-11.4为cuda的安装路径，按照自己的实际情况替换即可：

shell 复制代码

sudo cp cudnn-linux-x86_64-8.9.7.29_cuda11-archive/include/cudnn*    /usr/local/cuda-11.4/include
sudo cp cudnn-linux-x86_64-8.9.7.29_cuda11-archive/lib/libcudnn*    /usr/local/cuda-11.4/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*   /usr/local/cuda-11.4/lib64/libcudnn*

总结

本文完整梳理了Linux系统下CUDA与cuDNN的配置流程：先通过nvidia-smi确认显卡支持的CUDA最高版本，再按需选择匹配的CUDA版本下载安装，可灵活选择默认或自定义安装路径；安装后需通过配置环境变量确保nvcc命令可用；最后下载与CUDA匹配的cuDNN，将其头文件和库文件复制到CUDA目录即可完成部署。核心要点是保证CUDA与cuDNN版本匹配、环境变量配置正确，完成后即可为深度学习框架提供GPU加速支持，适配各类深度学习项目开发需求。