**查看 CUDA 和 cuDNN 版本：完整指南与操作步骤**

查看 CUDA 版本：在终端或命令行输入 nvcc --version。查看 cuDNN 版本：通常需要查找 cuDNN 安装目录下的 cudnn.h 文件，并搜索其中的 CUDNN_MAJOR、CUDNN_MINOR 和 CUDNN_PATCHLEVEL 宏定义。

本文将详细介绍如何准确地查看您系统中安装的 CUDA 和 cuDNN 版本。了解这些版本信息对于确保您的深度学习框架、GPU 加速应用能够兼容并发挥最佳性能至关重要。我们将提供多种方法，并配以清晰的操作步骤，帮助您轻松解决版本查询的难题。

一、 为什么要查看 CUDA 和 cuDNN 版本？

CUDA (Compute Unified Device Architecture) 是 NVIDIA 推出的并行计算平台和编程模型，它允许软件开发人员使用 NVIDIA GPU 进行通用计算。cuDNN (CUDA Deep Neural Network library) 是 NVIDIA 提供的一个高度优化的深度神经网络库，它建立在 CUDA 之上，为深度学习算法提供了大量的基元操作，极大地加速了深度学习的训练和推理过程。

了解您系统中 CUDA 和 cuDNN 的版本信息至关重要，原因如下：

• 兼容性：不同的深度学习框架（如 TensorFlow, PyTorch）、CUDA 工具包版本以及 cuDNN 版本之间可能存在兼容性要求。例如，某个版本的 TensorFlow 可能需要特定范围的 CUDA 和 cuDNN 版本才能正常工作。
• 性能优化：较新版本的 CUDA 和 cuDNN 通常包含性能改进和bug修复。升级到兼容的版本可以提升模型的训练和推理速度。
• 问题排查：当遇到与 GPU 加速相关的问题时，版本信息是诊断和解决问题的关键线索。
• 环境配置：在部署深度学习项目或进行迁移时，准确的版本信息有助于复现相同的运行环境。

二、 如何查看 CUDA 版本

查看 CUDA 版本的方法相对直接，主要通过 NVIDIA 的命令行工具 nvcc 来实现。nvcc 是 NVIDIA CUDA 编译器，它随 CUDA Toolkit 一起安装，并且通常会包含在系统的 PATH 环境变量中。

2.1 使用 nvcc 命令 (推荐方法)

这是最常用且最可靠的方法，无论您使用的是 Linux、Windows 还是 macOS (macOS 对 CUDA 的支持有限，且通常通过 Docker 方式使用)。

2.1.1 Linux 和 macOS

1. 打开您的终端应用程序。
2. 在终端中输入以下命令，然后按 Enter 键：

   nvcc --version

预期输出示例：

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

在上面的示例中，CUDA 版本是 12.1。

2.1.2 Windows

1. 打开命令提示符 (Command Prompt) 或 PowerShell。
2. 在命令行中输入以下命令，然后按 Enter 键：

   nvcc --version

输出格式与 Linux/macOS 类似，您可以从中找到 CUDA 的版本号。

2.2 查看 NVIDIA 驱动程序信息 (间接方法)

虽然 NVIDIA 驱动程序本身不直接显示 CUDA Toolkit 的版本，但它可以显示与驱动程序兼容的最高 CUDA 版本。这对于了解您的系统支持的最大 CUDA 版本很有帮助，但不是查看已安装 CUDA Toolkit 版本的直接方法。

2.2.1 Linux

1. 打开终端。
2. 输入以下命令：

   nvidia-smi

预期输出示例：

+-----------------------------------------------------------------------------+ | NVIDIA-SMI 535.104.05 Driver Version: 535.104.05 CUDA Version: 12.2 | |-------------------------------+-------------------------------+-------------| | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | | |===============================+===============================+===============| | 0 NVIDIA GeForce RTX 3090 Off | 00000000:01:00.0 Off | N/A | | 30% 40C P2 50W / 350W | 100MiB / 24576MiB | 0% Default | +-------------------------------+-------------------------------+-------------+ ... (其他信息) ...

在示例中，CUDA Version: 12.2 表示该 NVIDIA 驱动程序支持最高到 CUDA 12.2。请注意，这并不意味着您实际安装了 CUDA Toolkit 12.2，而是驱动程序能够支持该版本或更低版本的 CUDA Toolkit。要查看实际安装的 Toolkit 版本，仍需使用 nvcc --version。

2.2.2 Windows

1. 打开命令提示符或 PowerShell。
2. 输入 nvidia-smi 命令。

输出结果中同样会显示 CUDA Version，其含义与 Linux 下相同。

三、 如何查看 cuDNN 版本

查看 cuDNN 版本通常比查看 CUDA 版本稍微复杂一些，因为 cuDNN 是一个库，而不是一个独立的命令行工具。它通常会安装在 CUDA Toolkit 的目录结构中。

3.1 在 cuDNN 头文件中查找 (推荐方法)

cuDNN 的版本信息通常嵌入在其头文件（特别是 cudnn.h）中。您可以通过查找这些头文件来获取确切的版本号。

3.1.1 确定 cuDNN 安装路径

首先，您需要知道 cuDNN 的安装位置。它通常位于 CUDA Toolkit 的安装目录下，例如：

• Linux: `/usr/local/cuda/include/cudnn.h` 或 `/usr/local/cuda-X.Y/include/cudnn.h` (其中 X.Y 是 CUDA 版本号)。
• Windows: `C:Program FilesNVIDIA GPU Computing ToolkitCUDAvX.Yincludecudnn.h` (其中 X.Y 是 CUDA 版本号)。

如果您不确定，可以尝试在系统中搜索 `cudnn.h` 文件。

3.1.2 读取头文件内容

一旦找到 cudnn.h 文件，您可以使用文本编辑器或命令行工具来查看其内容。查找包含版本号的宏定义。主要的宏定义是：

• CUDNN_MAJOR: cuDNN 的主版本号。
• CUDNN_MINOR: cuDNN 的次版本号。
• CUDNN_PATCHLEVEL: cuDNN 的补丁级别。

3.1.3 使用命令行查看 (Linux/macOS)

1. 打开终端。
2. 使用 grep 命令搜索 cudnn.h 文件中的版本宏。您需要将 `/path/to/cudnn.h` 替换为您实际的 cudnn.h 文件路径。

   grep -E "CUDNN_(MAJOR|MINOR|PATCHLEVEL)" /path/to/cudnn.h

预期输出示例：

#define CUDNN_MAJOR 8 #define CUDNN_MINOR 9 #define CUDNN_PATCHLEVEL 0

在这个例子中，cuDNN 版本是 8.9.0。

3.1.4 使用命令行查看 (Windows)

1. 打开命令提示符或 PowerShell。
2. 导航到 cudnn.h 文件所在的目录（例如：cd "C:Program FilesNVIDIA GPU Computing ToolkitCUDAv11.8include"）。
3. 使用 findstr 命令（在命令提示符中）或 Select-String cmdlet（在 PowerShell 中）来搜索版本宏。

   命令提示符 (cmd)：

   findstr /C:"CUDNN_MAJOR" cudnn.h

   findstr /C:"CUDNN_MINOR" cudnn.h

   findstr /C:"CUDNN_PATCHLEVEL" cudnn.h

   PowerShell：

   Get-Content .cudnn.h | Select-String -Pattern "CUDNN_MAJOR"

   Get-Content .cudnn.h | Select-String -Pattern "CUDNN_MINOR"

   Get-Content .cudnn.h | Select-String -Pattern "CUDNN_PATCHLEVEL"

同样，您会看到类似 #define CUDNN_MAJOR 8 这样的输出，组合起来就是 cuDNN 的版本号。

3.2 检查 cuDNN 相关的库文件 (辅助方法)

有时，cuDNN 的版本信息也可能体现在其动态链接库（.so 或 .dll）的文件名中。这是一种辅助判断的方法，但不如直接查看头文件准确。

• Linux: 查找 `/usr/local/cuda/lib64/libcudnn.so*` 或 `/usr/local/cuda-X.Y/lib64/libcudnn.so*`。文件名中可能包含版本号，例如 `libcudnn.so.8.9.0`。
• Windows: 查找 `C:Program FilesNVIDIA GPU Computing ToolkitCUDAvX.Yincudnn64_8.dll`。文件名中的数字（例如 `_8`）可能表示主版本号。

这种方法并不总是可靠，因为文件名可能被简化或不包含完整的版本信息。

3.3 通过框架自带的检查工具

一些深度学习框架在启动时或通过特定的命令会尝试检测并报告 CUDA 和 cuDNN 的版本。这是一种非常方便的间接检查方法。

3.3.1 TensorFlow

您可以使用 Python 脚本来检查 TensorFlow 检测到的 CUDA 和 cuDNN 版本。

1. 安装 TensorFlow (CPU 或 GPU 版本)：

   pip install tensorflow

2. 运行以下 Python 代码：

   import tensorflow as tf import os # 尝试获取 CUDA 版本 cuda_version = tf.sysconfig.get_cuda_version() print(f"TensorFlow detected CUDA version: {cuda_version}") # 尝试获取 cuDNN 版本 cudnn_version = tf.sysconfig.get_build_info()["cudnn_version"] print(f"TensorFlow detected cuDNN version: {cudnn_version}") # 如果上面方法不适用，可以尝试直接打印GPU信息 # print(tf.config.list_physical_devices(GPU))

预期输出示例：

TensorFlow detected CUDA version: 12.1 TensorFlow detected cuDNN version: 8.9

请注意，TensorFlow 检测到的版本是它在编译时所期望的版本，可能与系统中实际安装的 CUDA Toolkit 或 cuDNN 版本略有差异，但通常是兼容的版本。

3.3.2 PyTorch

PyTorch 提供了更直接的方式来查询。

1. 安装 PyTorch (GPU 版本)。
2. 运行以下 Python 代码：

   import torch print(f"PyTorch CUDA available: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"PyTorch CUDA version: {torch.version.cuda}") print(f"PyTorch cuDNN version: {torch.backends.cudnn.version()}")

预期输出示例：

PyTorch CUDA available: True PyTorch CUDA version: 11.8 PyTorch cuDNN version: 8700

这里的 cuDNN 版本 `8700` 是一个内部编码，它对应着 cuDNN 8.7.0。您可能需要查阅 PyTorch 文档来理解这种编码方式，或者通过前面的直接方法来获取更通用的版本号。

四、 版本不匹配怎么办？

如果您发现 CUDA 和 cuDNN 版本与您正在使用的深度学习框架或其他应用不兼容，您有以下几种选择：

• 升级/降级 CUDA Toolkit：根据框架的要求，下载并安装匹配的 CUDA Toolkit 版本。
• 升级/降级 cuDNN：下载并安装与已安装 CUDA Toolkit 版本兼容的 cuDNN 版本。
• 使用虚拟环境 (推荐)：利用 Conda 或 venv 等工具创建隔离的 Python 环境。在每个环境中安装特定版本的 CUDA (如果需要独立安装，但通常框架会封装好)、cuDNN 和深度学习框架，以避免版本冲突。
• 使用 Docker 容器：Docker 提供了强大的环境隔离能力。您可以在 Docker 容器中预先配置好特定版本的 CUDA、cuDNN 和所需的软件，然后运行您的应用程序。NVIDIA 提供了官方的 CUDA 镜像，非常方便。

五、 总结

准确查看 CUDA 和 cuDNN 版本是进行 GPU 加速计算和深度学习开发的基础。通过本文介绍的 nvcc --version 命令以及检查 cudnn.h 头文件的方法，您可以轻松获取您系统中的具体版本信息。同时，利用深度学习框架自带的查询功能，可以作为一种便捷的验证手段。

请务必根据您的项目需求，确保 CUDA 和 cuDNN 的版本与您使用的深度学习框架、库以及 NVIDIA 驱动程序保持良好的兼容性，以获得最佳的性能和稳定性。