### 配置 CUDA 的方法 在 Python 中配置 CUDA 可以为深度学习框架（如 PyTorch 或 TensorFlow）提供 GPU 加速支持。以下是详细的配置过程： #### 1. 安装 Anaconda 为了简化依赖管理并方便运行 Jupyter Notebook/IPython 文件，推荐先安装 Anaconda[^2]。 下载链接为：https://www.anaconda.com/products/individual#Downloads 。按照官方指南完成安装。 #### 2. 创建虚拟环境 创建一个新的 Conda 虚拟环境以隔离项目所需的依赖项。命令如下： ```bash conda create -n cuda_env python=3.9 conda activate cuda_env ``` #### 3. 安装 NVIDIA CUDA 工具包 如果主机未预先安装 CUDA，则可以通过以下方式安装特定版本的 CUDA 库到虚拟环境中[^3]: ```bash pip install nvidia-cuda-toolkit==<version> ``` 注意替换 `<version>` 为您目标使用的 CUDA 版本号。 #### 4. 安装 CUDNN 和深度学习框架 CUDNN 是由 NVIDIA 提供的一个用于优化深层神经网络计算性能的库。通常情况下，您可以直接通过 pip 安装带有预编译好的 CUDNN 支持的深度学习框架，例如 PyTorch 或 Tensorflow[^1]: - **PyTorch**: 使用以下命令安装适合当前系统的 PyTorch 版本及其对应的 CUDA 支持。 ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` - **TensorFlow**: 如果选择 TensorFlow，请执行类似的命令来指定兼容的 CUDA/CuDNN 组合。 ```bash pip install tensorflow[and-cuda] ``` #### 5. 测试 CUDA 是否正常工作 编写一段简单的测试脚本来验证 CUDA 功能是否成功启用。下面是一个基于 PyTorch 的例子: ```python import torch print(f"CUDA Version: {torch.version.cuda}") # 显示已加载的 CUDA 版本 print(f"Is CUDA Available? {torch.cuda.is_available()}") # 判断是否有可用的 GPU 设备 print(f"Number of GPUs Detected: {torch.cuda.device_count()}") # 输出检测到的 GPU 总数 if torch.cuda.is_available(): device = torch.device('cuda') # 设置默认设备为 GPU else: device = torch.device('cpu') # 否则回退至 CPU 运算模式 tensor_example = torch.tensor([1, 2], dtype=torch.float).to(device) # 将张量移动到选定设备上运算 print(tensor_example) ``` 以上代码片段会打印出有关您的系统中 CUDA 状态的信息以及尝试将数据迁移到 GPU 上处理的结果。 --- ###