### **问题解构** “查看当前运行的CUDA版本”是一个常见的系统状态查询需求，但其具体含义需要明确，因为“CUDA版本”可能指代两个不同的概念： 1. **CUDA 驱动版本 (Driver Version)**：指 NVIDIA 显卡驱动程序内建的 CUDA 支持库版本，它决定了系统能够支持的最高 CUDA 运行时版本。 2. **CUDA 运行时版本 (Runtime Version)**：指通过 NVIDIA CUDA Toolkit 安装的、供应用程序（如 PyTorch, TensorFlow）调用的 CUDA 库版本。 用户需要了解的是系统当前实际生效的 CUDA 运行时版本，这通常是在终端或编程环境中通过特定命令查询的。 ### **方案推演** 查看CUDA版本的方法取决于查询的上下文和安装方式。核心方法是通过 NVIDIA 提供的命令行工具。根据【参考资料】，可以总结出以下几种标准查询路径： 1. 使用 `nvidia-smi` 命令查看驱动版本及支持的最高 CUDA 运行时版本 [ref_2]。 2. 使用 `nvcc --version` 命令查看通过 CUDA Toolkit 安装的 CUDA 编译器版本，这通常代表系统默认的 CUDA 运行时版本 [ref_2][ref_3]。 3. 在 Python 环境中（尤其是使用 PyTorch、TensorFlow 时），通过代码查询 PyTorch 或 TensorFlow 实际使用的 CUDA 版本，这反映了当前环境下的运行时版本 [ref_4]。 4. 检查系统中 CUDA 库的符号链接，以确定当前激活的 CUDA 版本 [ref_5]。 ### **具体查询方法** #### **1. 查看 NVIDIA 驱动版本及支持的最高 CUDA 版本** 这是最基础且通用的方法，在任何安装了 NVIDIA 驱动的 Linux 系统上均可使用。该命令显示的是**驱动版本**以及该驱动**理论上支持的最高 CUDA 运行时版本**。 ```bash nvidia-smi ``` 执行后，输出信息的右上角通常会显示如下内容： ``` +-----------------------------------------------------------------------------+ | NVIDIA-SMI 535.154.05 Driver Version: 535.154.05 CUDA Version: 12.2 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |===============================+======================+======================| | 0 NVIDIA GeForce ... On | 00000000:01:00.0 Off | N/A | ... ``` **关键信息**： * `Driver Version: 535.154.05`：当前的 NVIDIA 显卡驱动版本。 * `CUDA Version: 12.2`：**此驱动支持的最高 CUDA 运行时版本**。这并不意味着你的系统已经安装了 CUDA 12.2，只代表你可以安装并使用不高于此版本的 CUDA Toolkit [ref_2][ref_3]。 #### **2. 查看已安装的 CUDA Toolkit 版本 (nvcc)** 如果你已经通过 NVIDIA 官方途径安装了完整的 CUDA Toolkit，可以使用 `nvcc`（NVIDIA CUDA 编译器）来查询其版本。这个版本通常被视为系统级的 CUDA 运行时版本。 ```bash nvcc --version ``` 输出示例如下： ``` nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2023 NVIDIA Corporation Built on Mon_Apr__3_17:16:06_PDT_2023 Cuda compilation tools, release 12.1, V12.1.105 Build cuda_12.1.r12.1/compiler.32688072_0 ``` 这里 `release 12.1` 即表示已安装的 CUDA Toolkit 版本是 12.1 [ref_2][ref_3]。 **注意**：如果系统提示 `command ‘nvcc’ not found`，说明 CUDA Toolkit 可能未安装，或者其 `bin` 目录未添加到系统的 `PATH` 环境变量中。此时可以尝试查找 `nvcc` 的完整路径： ```bash whereis nvcc # 或 find /usr/local -name nvcc ``` #### **3. 在 Python 环境中查看 PyTorch / TensorFlow 使用的 CUDA 版本** 对于深度学习开发者，框架实际使用的 CUDA 版本更为关键，因为它可能与系统安装的 CUDA Toolkit 版本不同（例如在 conda 虚拟环境中）。 * **PyTorch 中查看**： ```python import torch print(torch.__version__) # 打印PyTorch版本 print(torch.version.cuda) # 打印PyTorch构建时对应的CUDA版本 print(torch.cuda.is_available()) # 检查CUDA是否可用 print(torch.cuda.get_device_name(0)) # 打印GPU设备名称 ``` 其中 `torch.version.cuda` 显示的版本号就是当前 PyTorch 所链接的 CUDA 运行时版本 [ref_4]。 * **TensorFlow 中查看**： ```python import tensorflow as tf print(tf.__version__) # 打印TensorFlow版本 print(tf.test.is_built_with_cuda()) # 检查是否支持CUDA print(tf.sysconfig.get_build_info()['cuda_version']) # 打印构建时的CUDA版本 print(tf.config.list_physical_devices('GPU')) # 列出可用的GPU设备 ``` #### **4. 检查系统 CUDA 链接的当前版本** 在 Linux 系统中，`/usr/local/cuda` 通常是一个指向具体 CUDA 版本目录（如 `/usr/local/cuda-12.1`）的符号链接。这个链接指向的版本可以被视为系统当前默认的 CUDA 版本。 ```bash ls -l /usr/local/ | grep cuda ``` 输出可能如下： ``` lrwxrwxrwx 1 root root 20 Apr 10 15:30 cuda -> /usr/local/cuda-12.1 drwxr-xr-x 15 root root 4096 Apr 10 15:30 cuda-11.8 drwxr-xr-x 15 root root 4096 Apr 10 15:28 cuda-12.1 ``` 这表明系统当前通过 `cuda` 链接使用的是 CUDA 12.1 版本 [ref_5]。 #### **5. 综合查询脚本** 可以将上述常用命令整合到一个简单的脚本中进行快速检查： ```bash #!/bin/bash echo "=== NVIDIA Driver and GPU Info ===" nvidia-smi --query-gpu=driver_version,name --format=csv,noheader echo -e “\n=== System CUDA Toolkit (nvcc) ===" if command -v nvcc &> /dev/null; then nvcc --version | grep “release” else echo “nvcc not found in PATH. CUDA Toolkit may not be installed or not in PATH.” fi echo -e “\n=== CUDA Symlink in /usr/local ===" if [ -L “/usr/local/cuda” ]; then ls -l /usr/local/cuda | awk ‘{print $NF}’ else echo “/usr/local/cuda symlink does not exist.” fi echo -e “\n=== Python Environment CUDA (if any) ===" python3 -c “import sys; sys.path.insert(0, ‘/usr/local/cuda/lib64’); exec(‘try:\n import torch\n print(f\"PyTorch CUDA: {torch.version.cuda}\”)\nexcept:\n pass’)” 2>/dev/null ``` ### **查询结果解读与对比** | 查询方法 | 命令/代码 | 显示版本的含义 | 关键场景 | | :--- | :--- | :--- | :--- | | **驱动支持版本** | `nvidia-smi` | 显卡驱动**支持的最高** CUDA 运行时版本 | 检查系统是否支持你想要安装的 CUDA 版本 [ref_2][ref_3] | | **CUDA编译器版本** | `nvcc --version` | **系统实际安装**的 CUDA Toolkit 版本 | 确认系统全局的 CUDA 开发环境版本 [ref_2][ref_3] | | **PyTorch CUDA版本** | `torch.version.cuda` | **PyTorch 框架链接和使用**的 CUDA 运行时版本 | 深度学习开发，解决版本兼容性问题（如 `CUDA error: no kernel image`）[ref_4] | | **系统符号链接** | `ls -l /usr/local/cuda` | 系统当前**默认激活**的 CUDA 版本路径 | 管理多个 CUDA 版本切换 [ref_5] | **核心要点**： 1. 首先运行 `nvidia-smi` 确认驱动支持的最高 CUDA 版本，这是安装或升级 CUDA Toolkit 的上限 [ref_3]。 2. 使用 `nvcc --version` 确认系统已安装的 CUDA Toolkit 版本，它应不高于驱动支持的最高版本。 3. 在 Python 虚拟环境中（尤其是使用 conda 时），务必通过 `torch.version.cuda` 或 `tf.sysconfig.get_build_info()[‘cuda_version’]` 来确认框架实际使用的版本，因为 conda 环境可能安装了独立于系统的 CUDA 运行时库 [ref_4][ref_5]。如果此处版本与 `nvcc` 版本不一致，是导致 `RuntimeError: CUDA error: no kernel image is available for execution on the device` 这类错误的常见原因 [ref_4]。