Det behøver ikke at være besværligt at installere CUDA på Windows, hvis du ved, hvor du skal henvende dig, og hvilke versioner der passer. I denne praktiske guide vil jeg trin for trin gennemgå alt, hvad du behøver for at få værktøjssættet, den korrekte driver og verifikationsværktøjerne op at køre, både på native Windows og ved brug af WSL. Ideen er at ødelægge din GPU. virkelig accelererende dine arbejdsbyrder, uden kompatibilitetsoverraskelser.
Ud over den grundlæggende installation vil jeg dække praktiske use cases og særlige krav (såsom ML.NET Model Builder med ældre afhængigheder), installationsalternativer med Conda og pip, integration med Visual Studio og de klassiske deviceQuery- og bandwidthTest-tests. Du vil også se, hvordan du diagnosticerer typiske driverproblemer, GPU-detektion og uoverensstemmelser i CUDA-versioner, der normalt sinker folks tempo første gang.
Hvad er CUDA, og hvorfor er det vigtigt på Windows?
CUDA er platformen og modellen for NVIDIA-programmering til parallel databehandling, der giver dig mulighed for at flytte de mest intensive dele af dine applikationer til GPU'en. CPU'en håndterer det sekventielle arbejde, og GPU'en håndterer massivt parallelle, hver med sin egen hukommelse, hvilket undgår flaskehalse og muliggør samtidig arbejde.
CUDA-aktiverede GPU'er har hundredvis eller tusindvis af kerner, der kører titusindvis af tråde. Biblioteker som f.eks. cuBLAS, cuDNN og NVCC Færdiggør sættet, så du kan kompilere, debugge og profilere din GPU-accelererede software på Windows.
Systemkrav og kompatibilitet på Windows
Først og fremmest skal du kontrollere, at dit system er kompatibelt med det værktøjssæt, du ønsker. På nuværende Windows-systemer, CUDA 13.0 U1-understøttelseWindows 11 24H2, 23H2, 22H2-SV2; Windows 10 22H2; Windows Server 2022 og 2025.
Understøttede compilere og IDE'er: Visual Studio 2022 17.x (MSVC 193x) med C++11/14/17/20 og Visual Studio 2019 16.x (MSVC 192x) med C++11/14/17. støtte til VS2017 Den blev fjernet i CUDA 13.0, og for VS2015 er den udfaset siden CUDA 11.1, så juster dine projekter.
Vigtig 32-bit bemærkning: Siden CUDA 12.0 er der ikke længere en 32-bit værktøjskæde (native eller cross-platform). Drivere vil fortsat køre 32-bit binære filer på GeForce. Ada-arkitekturHopper understøtter ikke længere 32 bit.
Anbefalet hardware: NVIDIA GPU med beregningskapacitet, der passer til din version (for generelle scenarier, 3.0 eller højere; se den officielle liste), tilstrækkelig hukommelse og i visse specifikke tilfælde mere krævende. For Model Builder (billedklassificering), mindst 6 GB VRAM dedikeret, mens der til grundlæggende brug nævnes minimum 4 GB.
Tjek at du har en kompatibel GPU, og hvilken version du har
Sådan tjekker du din GPU-model i Windows: Indstillinger > System > Skærm > Avancerede indstillinger. Der vil du se mærke og model under Displayoplysninger, meget nyttigt til at bekræfte kompatibilitet.
Du kan også bruge Jobliste på fanen Ydeevne og vælge GPU-panelet for at se detaljer. Hvis det ikke vises, skal du åbne Enhedshåndtering og se på skærmkort; hvis NVIDIA-driveren mangler, skal du installere den.
For at kontrollere CUDA-installationen skal du åbne en PowerShell eller CMD og køre nvcc --version o nvcc -VDette returnerer compilerversionen NVCC installeret; hvis den ikke svarer, er værktøjssættets PATH ikke konfigureret, eller den blev ikke installeret korrekt.
Hvis du har brug for at opdatere drivere, foreslår GeForce Experience de nyeste versioner, eller du kan downloade dem fra NVIDIAs officielle driverwebsted. En opdateret driver løser normalt problemet. værktøjssæt uforeneligheder og detektionsfejl.
Download NVIDIA CUDA Toolkit: Formater og integritet
Gå til NVIDIAs officielle CUDA-downloadside, og vælg Windows. Du kan vælge enten Network Installer (minimal download, derefter pakker på forespørgsel) eller Full Installer (alt inkluderet). Det fulde installationsprogram er fantastisk til offline computere eller til virksomhedsimplementeringer.
Efter download er det god praksis at verificere den publicerede MD5-kontrolsum for at sikre, at filen ikke er beskadiget. Hvis hashen ikke stemmer overens, download igen installatøren og undgår hovedpine senere.
Siden CUDA 13 er NVIDIA-driveren ikke længere inkluderet i Toolkit. Installer driveren separat fra NVIDIA-driverside og derefter værktøjskassen; undgå at blande inkompatible versioner.
Installation på Windows: grafisk, lydløs og udpakningstilstand
Grafisk installation: Kør installationsprogrammet, og følg trinene. Vælg en placering, accepter licensen, og vælg komponenter såsom Toolkit, Nsight Compute/Systems og eksempler.
Lydløs installation: Du kan starte installationsprogrammet med -s for lydløs tilstand og tilføj parametre for specifikke underpakker. Hvis du ikke ønsker automatisk genstart, skal du tilføje -n og du klarer genstarten til sidst.
Manuel udpakning: Med 7-Zip/WinZip kan du udpakke hele pakken for at inspicere dens indhold. Værktøjskassen findes i mappen. CUDA-værktøjskasse og Visual Studio-integration i dens navngivne mappe; .dll- og .nvi-filerne, du ser i roden af installationsprogrammet, er ikke som sådan installerbare filer.
Standard sti til værktøjssættet: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v13.0. Ved installation af underpakker Du kan kun vælge det, du har brug for (f.eks. nvcc_13.0 for compileren, cudart_13.0 til kørselstid, cublas_13.0/cublas_dev_13.0, cufft_13.0, curand_13.0, cusolver_13.0, cusparse_13.0, nsight_compute_13.0, nsight_systems_13.0, nvrtc_13.0, nvdisasm_13.0, nvprune_13.0, opencl_13.0, sanitizer_13.0, thrust_13.0Osv.). På denne måde reducerer du fodaftryk og installationstid.
Afinstallation: Alle underpakker kan fjernes fra Kontrolpanel > Programmer og funktioner. Nyttigt, hvis du vil geninstallere en version. Limpia eller skifte grene uden rester.
Drivermodeller i Windows: WDDM vs. TCC
På Windows 10 og nyere versioner kan NVIDIA-driveren fungere i to tilstande: WDDM (til skærmenheder) og TCC (til GPU'er som Tesla eller visse Titans). Du kan kontrollere og ændre tilstanden med nvidia-smi på understøttede kort; de fleste moderne GeForce-kort bruger WDDM som standard.
Bekræft installationen: nvcc, prøver og tests
Tjek NVCC-versionen med nvcc -VHvis kommandoen virker, vil PATH og den grundlæggende installation er på plads.
Klon CUDA-eksemplerne fra GitHub på nvidia/cuda-samples, kompilere dem og køre dem deviceQueryDen burde registrere din enhed og returnere en bestået testHvis ikke, tjek driver og hardware.
Kører også bandwidthTest for at validere værtsenhedens båndbredde. Hvis testene består, kommunikation CPU-GPU er OK. Eventuelle fejl her peger normalt på drivere eller installationen af Toolkit.
Integration med Visual Studio og projektinfrastruktur
Eksemplerne og dine projekter kan kompileres med VS 2019/2022-løsninger. NVIDIA-skabeloner opretter et C++-projekt med Byg tilpasninger af CUDA for din version (for eksempel CUDA 13.0 Runtime).
Værktøjskasse .props-filer: VS 2019 har rekvisitterne i C:\Program Files (x86)\Microsoft Visual Studio\2019\Professional\MSBuild\Microsoft\VC\v160\BuildCustomizations og VS 2022 i C:\Program Files\Microsoft Visual Studio\2022\Professional\MSBuild\Microsoft\VC\v170\BuildCustomizationsDisse ruter gør det muligt for VS at finde regler og egenskaber fra CUDA.
I nye projekter skal du oprette fra NVIDIA-skabeloner > CUDA for den installerede version. I eksisterende projekter skal du gå til Bygafhængigheder > Bygtilpasninger og marker din CUDA-version eller peg på $(CUDA_PATH) hvis du altid vil bruge den senest installerede.
Efter installation eller afinstallation af Toolkits skal du bekræfte, at $(CUDA_PATH) peger på den korrekte mappe. Adgang miljøvariabler fra Systemegenskaber for at kontrollere og justere værdien om nødvendigt.
Filer med CUDA-kode skal markeres som CUDA C/C++-typen. Du kan tilføje dem fra Tilføj nyt element > NVIDIA CUDA 13.0 > CUDA C/C++-kode i Visual Studio.
Installer CUDA med Conda og pip
Conda: NVIDIA udgiver pakker på sin Anaconda-kanal (anaconda.org/nvidia) for at installere hele Toolkit eller specifikke tidligere versioner. For at fastlåse en tidligere version skal du tilføje udgivelsesetiket til installationskommandoen, og Conda vil løse afhængigheder.
pip: NVIDIA leverer Wheels til at installere CUDA-komponenter primært rettet mod Python-runtime. Første installation nvidia-pyindex og sørg for at du har pip og setuptools opdateret. Du kan inkludere den tilsvarende linje i din requirements.txt Hvis du foretrækker det.
Metapakker på Windows til CUDA 12 (cu12), der henter fra den seneste tilgængelige version: blandt andre, nvidia-cublas-cu12, nvidia-cuda-cccl-cu12, nvidia-cuda-cupti-cu12, nvidia-cuda-nvcc-cu12, nvidia-cuda-nvrtc-cu12, nvidia-cuda-opencl-cu12, nvidia-cuda-runtime-cu12, nvidia-cuda-sanitizer-api-cu12, nvidia-cufft-cu12, nvidia-curand-cu12, nvidia-cusolver-cu12, nvidia-cusparse-cu12, nvidia-npp-cu12, nvidia-nvfatbin-cu12, nvidia-nvjitlink-cu12, nvidia-nvjpeg-cu12, nvidia-nvml-dev-cu12, nvidia-nvtx-cu12.
Disse metapakker installerer specifikke versionspakker, for eksempel med suffikset cu129: nvidia-cublas-cu129, nvidia-cuda-cccl-cu129, nvidia-cuda-cupti-cu129, nvidia-cuda-nvcc-cu129, nvidia-cuda-nvrtc-cu129, nvidia-cuda-opencl-cu129, nvidia-cuda-runtime-cu129, nvidia-cuda-sanitizer-api-cu129, nvidia-cufft-cu129, nvidia-curand-cu129, nvidia-cusolver-cu129, nvidia-cusparse-cu129, nvidia-npp-cu129, nvidia-nvfatbin-cu129, nvidia-nvjitlink-cu129, nvidia-nvjpeg-cu129, nvidia-nvml-dev-cu129, nvidia-nvtx-cu129Husk at CUDA Wheels ikke inkluderer udviklerværktøjer, kun runtime.
Brug af pip betyder, at CUDA-miljøet er knyttet til dit Python-miljø. Hvis du planlægger at kompilere eller køre uden for dette miljø, skal du også installere Værktøjssæt på systemniveau for at undgå uoverensstemmelser i ruten.
CUDA på WSL: Windows 11 og Windows 10 21H2
Windows 11 og Windows 10 21H2 (og nyere) giver dig mulighed for at køre CUDA-accelererede ML-frameworks og -biblioteker i WSL. Dette inkluderer PyTorch, TensorFlow, Docker og NVIDIA Container Toolkit, ligesom du ville gøre på native Linux.
Trin 1: Installer den CUDA-aktiverede NVIDIA-driver til WSL fra den officielle hjemmeside. Denne driver er specifikt designet til at eksponere GPU'en i distributioner. Linux på WSL.
Trin 2: Aktivér WSL og tilføj en glibc-baseret distribution (Ubuntu/Debian). Opdater kernen fra Windows Update og bekræft, at den er 5.10.43.3 eller højere kører wsl cat /proc/version i PowerShell.
Trin 3: Følg NVIDIA CUDA på WSL-vejledningen for at installere Toolkit i distributionen og/eller konfigurere NVIDIA Docker. Du vil være i stand til at bruge den sædvanlige Linux flyder med acceleration og adskiller miljøet perfekt fra værtens Windows.
Virkelighedsscenarie: blandet AMD + NVIDIA bærbar computer og fejl med 12.8/11.8
Lad os antage en Lenovo Ideapad 5 Pro med AMD Ryzen, AMD Radeon iGPU og NVIDIA GeForce GTX dGPU. Når du kører nvidia-smi vises Driver 526.56 og CUDA version 12.0, men det ser ikke ud til, at det virker at installere CUDA 12.8 eller 11.8.
Nøgler til at forstå det: CUDA-versionslinjen af nvidia-smi angiver den maksimale CUDA-runtime-version, der understøttes af din driver, ikke det installerede Toolkit. Driveren 526.56 Den understøtter CUDA 12.0 og 11.8, men ikke 12.8, som kræver en meget nyere driver (55x/56x-grenen). Opdater til en nyere driver (Studio eller Game Ready DCH) fra NVIDIAs hjemmeside, og gentag installationen.
På hybridcomputere skal du kontrollere i NVIDIA Kontrolpanel eller Windows Grafikindstillinger for at sikre dig, at din computerapp bruger NVIDIA GPU'en. Hvis dGPU'en ikke bruges, nvidia-SMI Dette kan forårsage problemer, eller frameworks kan indlæses på AMD iGPU'en, som ikke understøtter CUDA. Overvej en ren driverinstallation, og bekræft, at GeForce Experience registrerer hardwaren.
Særlige krav: ML.NET Model Builder (kun billedklassificering)
Til billedklassificeringsscenariet med Model Builder kræver Microsoft en specifik stak: CUDA 10.1 og cuDNN 7.6.4Vær forsigtig med dette, da nyere versioner ikke understøtter det specifikke flow.
Vigtige trin med cuDNN 7.6.4: download ZIP-filen til CUDA 10.1, pak den ud og kopier den cudnn64_7.dll fra cuda\bin a C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\binDu kan ikke have flere versioner af cuDNN samtidig fjerner rester af andre versioner for at undgå konflikter under udførelsen.
Hardwarekrav til dette scenarie: mindst én CUDA-kompatibel GPU og 6 GB dedikeret hukommelse. Hvis du ikke har en lokal GPU, kan Model Builder træne på virtuelle GPU-maskiner. Azure, eller i sidste ende på CPU, dog med meget længere træningstider.
Hurtig diagnose og løsning af almindelige problemer
GPU'en vises ikke i Indstillinger eller Jobliste: Åbn Enhedshåndtering, se under Skærmkort, og installer den relevante driver. Ingen driver. NVIDIA, Windows vil ikke eksponere dGPU'en for apps.
Tjek CUDA-versionen af systemet: i PowerShell/CMD-kørsel nvcc --versionHvis det mislykkes, skal du kontrollere, at værktøjskassen er installeret, og at PATH inkluder mappen bin fra værktøjskassen.
Værktøjssættet registrerer ikke CUDA-enheder: Sørg for, at driveren er opdateret, og at din GPU er på listen over CUDA-kompatible enheder. enhedsforespørgsel y båndbreddetest De er dit termometer, der bekræfter, at hardware-driver-toolkit-stakken reagerer.
Forkert drivertilstand til beregning: Brug på beregnings-GPU nvidia-smi for at kontrollere/slå TCC til/fra, hvis relevant. På de fleste bærbare GeForce-kort, WDDM Det er den tilsigtede tilstand, og du kan ikke ændre den.
Afhængighedskonflikter med Python-frameworks: Hvis du bruger CUDA Wheels via pip, skal du huske, at de kun dækker runtime og er knyttet til det virtuelle miljø. For at kompilere udvidelser eller bruge værktøjer skal du også installere Systemværktøjssæt, eller brug Conda til at administrere alt på én gang.
Eksempler, prøver og god praksis
For at validere ydeevne og funktionalitet, kompilér og kør deviceQuery y bandwidthTest fra VS-løsninger i eksempelarkivet. Byggefiler efterlader normalt binære filer i stier som CUDA-eksempler\v13.0\bin\win64\Release hvis du beholdt standardværdierne.
For visuelt at se CUDAs potentiale, kør grafiske eksempler som particlesUd over demoen vil de hjælpe dig med at indsamle referencer til brug for delt hukommelse og gitter-/blokmønstre i dine egne projekter.
Cloud-alternativer med GPU'er
Hvis du ikke vil have problemer med lokale drivere eller brug for maksimal strømforbrug, kan du vælge cloud-instanser med moderne GPU'er (A100, RTX 4090, A6000 osv.). Disse tjenester tilbyder øjeblikkelig indsættelse, skabeloner til PyTorch/TensorFlow og pay-as-you-go, nyttige til intensiv træning eller hurtig testning.
Noter og mærker
NVIDIAs tekniske dokumentation og pakker kan ændres uden varsel. Kontroller altid udgivelses noter og opdaterede kompatibiliteter før installation af drivere eller værktøjssæt i produktion.
OpenCL er et varemærke tilhørende Apple Inc., der bruges under licens af Khronos Group. NVIDIA og dets logo er varemærker eller registrerede varemærker tilhørende NVIDIA Corporation i USA og andre lande.
Med den rigtige driver, det rigtige værktøjssæt og et par veludførte tests er Windows et solidt grundlag for CUDA: du kan udvikle med Visual Studio, validere med de officielle eksempler, køre AI-frameworks i WSL som i Linux, og hvis du går i stå, kan du hente alternative installationsprogrammer (Conda/pip) eller endda skyen for at undgå at blive hængende; det vigtige er at justere driver- og værktøjssætversioner, bekræfte at NVIDIA GPU'en er den, der rent faktisk bruges, og støtte dig i enhedsforespørgsel/båndbreddetest for at sikre, at alt er grønt. Del denne vejledning, så flere brugere kan lære, hvordan man installerer CUDA på Windows.