如果您知道在哪裡安裝 CUDA 以及要匹配哪些版本，那麼在 Windows 上安裝 CUDA 並不是一件麻煩事。在本實用指南中，我將逐步指導您如何在原生 Windows 和 WSL 上啟動並執行該工具包、正確的驅動程式和驗證實用程式。目標是徹底摧毀您的 GPU。 真正加速 您的工作負載，而不會出現相容性問題。
除了基本安裝之外，我還將介紹實際用例和特殊要求（例如具有遺留依賴項的 ML.NET 模型建構器）、使用 Conda 和 pip 的安裝替代方案、與 Visual Studio 的整合以及經典的 deviceQuery 和 bandwidthTest 測試。您還將了解如何診斷 典型的駕駛員問題、GPU 檢測和 CUDA 版本不匹配通常會在第一次降低人們的速度。
什麼是 CUDA？為什麼它在 Windows 上很重要？
CUDA 是 NVIDIA 編程 用於平行計算，允許你將應用程式中最密集的部分卸載到 GPU。 CPU 處理順序工作，GPU 處理 大規模平行，每個都有自己的內存，避免瓶頸並允許同時工作。
支援 CUDA 的 GPU 擁有數百或數千個核心，運行數萬個線程。諸如 cuBLAS、cuDNN 和 NVCC 完成該套件，以便您可以在 Windows 上編譯、偵錯和分析 GPU 加速軟體。
Windows 上的系統需求和相容性
首先，您需要檢查您的系統是否與所需的工具包相容。在目前的 Windows 系統上， CUDA 13.0 U1 支持：Windows 11 24H2、23H2、22H2-SV2；Windows 10 22H2；Windows Server 2022 和 2025。
支援的編譯器和 IDE：帶有 C++11/14/17/20 的 Visual Studio 2022 17.x (MSVC 193x) 和帶有 C++11/14/17 的 Visual Studio 2019 16.x (MSVC 192x)。 支援 VS2017 它在 CUDA 13.0 中被刪除，並且對於 VS2015，它自 CUDA 11.1 起已被棄用，因此請調整您的專案。
32 位元重要提示：自 CUDA 12.0 起，不再提供 32 位元工具鏈（無論是原生的還是跨平台的）。驅動程式將繼續在 GeForce 上執行 32 位元二進位檔案。 Ada 架構；Hopper 不再支援 32 位元。
建議硬體：NVIDIA GPU，其運算能力與您的版本相符（一般情況下，3.0 或更高版本；請參閱官方列表），足夠的內存，某些特定情況下要求更高。對於模型建構器（影像分類），至少 6 GB的VRAM 專用，而基本用途則至少需要 4 GB。
檢查您是否有相容的 GPU 以及您擁有的版本
若要在 Windows 中檢查您的 GPU 型號：設定 > 系統 > 顯示 > 進階設定。 您將在“顯示訊息”下看到品牌和型號，對於確認相容性非常有用。
您也可以使用任務管理器中的“效能”選項卡，然後選擇“GPU”面板來查看詳細資訊。如果沒有顯示，請打開 設備管理器 並查看顯示適配器；如果缺少 NVIDIA 驅動程序，請安裝它。
若要檢查 CUDA 安裝，請開啟 PowerShell 或 CMD 並執行 nvcc --version o nvcc -V.這將返回編譯器版本 全國風險控制委員會 安裝；如果沒有回應，則表示工具包 PATH 未配置或未正確安裝。
如果您需要更新驅動程序，GeForce Experience 會建議使用最新版本，或者您也可以從 NVIDIA 官方驅動程式網站下載。更新驅動程式通常可以解決問題。 工具包不相容 以及檢測失敗。
下載 NVIDIA CUDA 工具包：格式和完整性
前往 NVIDIA 官方 CUDA 下載頁面，選擇 Windows 系統。您可以選擇網頁安裝程式（先下載最少的軟體包，然後按需安裝）或完整安裝程式（包含所有內容）。完整安裝程式非常適合離線電腦或 企業部署.
下載後，最好驗證已發布的 MD5 校驗和，以確保檔案未損壞。如果哈希值不匹配， 再次下載 安裝程式並避免以後出現麻煩。
自 CUDA 13 起，NVIDIA 驅動程式不再包含在 Toolkit 中。請單獨安裝驅動程序，無需 NVIDIA 驅動程式頁面 然後是工具包；避免混合不相容的版本。
Windows 上的安裝：圖形、靜默與擷取模式
圖形安裝：運行安裝程式並依照步驟操作。選擇位置，接受許可證，然後選擇 組件 例如工具包、Nsight Compute/Systems 和範例。
靜默安裝：您可以使用以下方式啟動安裝程序 -s 靜默模式，並為特定子包新增參數。如果您不想自動重啟，請添加 -n 最後您就可以管理重啟了。
手動解壓縮：使用 7-Zip/WinZip，您可以解壓縮整個壓縮套件來檢查其內容。工具包位於資料夾中。 CUDA工具包 以及與其同名目錄中的 Visual Studio 整合；您在安裝程式的根目錄中看到的 .dll 和 .nvi 檔案本身並不是可安裝的檔案。
預設工具包路徑： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v13.0. 安裝子包時 您可以只選擇您需要的內容（例如， nvcc_13.0 對於編譯器來說， cudart_13.0 對於運行時， 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_13.0等）。 這樣可以減少佔用空間和安裝時間.
卸載：所有子包均可從「控制台」>「程式和功能」中移除。如果您想要重新安裝某個版本，此功能非常有用。 清潔 或改變沒有任何殘留的分支。
Windows 中的驅動程式模型：WDDM 與 TCC
在 Windows 10 及更高版本中，NVIDIA 驅動程式可以兩種模式運作：WDDM（用於顯示裝置）和 TCC（用於 Tesla 或某些 Titan 等運算 GPU）。您可以使用以下命令檢查和更改模式 nvidia-smi 在支援的卡上；大多數現代 GeForce 卡預設使用 WDDM。
驗證安裝：nvcc、範例和測試
使用以下方法檢查 NVCC 版本 nvcc -V。如果命令有效， 路徑 基本安裝已到位。
從 GitHub 克隆 CUDA 範例 nvidia/cuda-samples，編譯並運行它們 deviceQuery。它應該會檢測您的設備並返回 測試通過；如果沒有，請檢查驅動程式和硬體。
還運行 bandwidthTest 驗證主機設備頻寬。如果測試通過，通信 CPU-GPU 沒問題。此處的任何錯誤通常都指向驅動程式或 Toolkit 安裝。
與 Visual Studio 和專案基礎架構集成
這些範例和您的專案可以使用 VS 2019/2022 解決方案進行編譯。 NVIDIA 範本使用以下程式碼設定了一個 C++ 專案： 建構自訂 適合您版本的 CUDA（例如，CUDA 13.0 Runtime）。
工具包 .props 檔案：VS 2019 中有 props C:\Program Files (x86)\Microsoft Visual Studio\2019\Professional\MSBuild\Microsoft\VC\v160\BuildCustomizations 和 VS 2022 C:\Program Files\Microsoft Visual Studio\2022\Professional\MSBuild\Microsoft\VC\v170\BuildCustomizations。這些路線允許 VS 找到 規則和屬性 來自 CUDA。
在新專案中，從 NVIDIA 範本 > CUDA 建立已安裝的版本。在現有項目中，請前往 建置依賴項 > 建置自訂項 並標記你的 CUDA 版本或指向 $(CUDA_PATH) 如果您想始終使用最新安裝的版本。
安裝或解除安裝工具包後，請驗證 $(CUDA_PATH) 指向正確的資料夾。訪問 環境變量 從系統屬性中檢查並調整值（如有必要）。
包含 CUDA 程式碼的檔案必須標記為 CUDA C/C++ 類型。您可以從 新增專案 > NVIDIA CUDA 13.0 > CUDA C/C++ 程式碼 在 Visual Studio 中。
使用 Conda 和 pip 安裝 CUDA
Conda：NVIDIA 在其 Anaconda 頻道上發佈軟體包（anaconda.org/nvidia) 安裝完整 Toolkit 或特定的先前版本。若要固定先前版本，請新增 發布標籤 到安裝命令，Conda 將解決依賴關係。
pip：NVIDIA 提供 Wheels 來安裝主要針對 Python 執行階段的 CUDA 元件。首先安裝 nvidia-pyindex 並確保你已更新 pip 和 setuptools。你可以在你的 requirements.txt 如果你比較喜歡。
Windows 上適用於 CUDA 12（cu12）的元包從最新可用版本中提取： 等等, 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.
這些元包安裝特定版本的包，例如帶有後綴 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-cu129請記住，CUDA Wheels 不包含開發人員工具，僅包含執行時間。
使用 pip 表示 CUDA 環境與你的 Python 環境綁定。如果你打算在該環境之外編譯或執行，你還需要安裝 系統級工具包 以避免路線不一致。
WSL 上的 CUDA：Windows 11 和 Windows 10 21H2
Windows 11 和 Windows 10 21H2（及更高版本）可讓您在 WSL 中執行 CUDA 加速的 ML 框架和函式庫。這包括 PyTorch、TensorFlow、Docker 和 NVIDIA Container Toolkit，就像在原生 Linux 上一樣。
步驟 1：從官方網站安裝支援 CUDA 的 NVIDIA WSL 驅動程式。該驅動程式專門用於在發行版中公開 GPU。 WSL 上的 Linux.
步驟 2：啟用 WSL 並新增基於 glibc 的發行版（Ubuntu/Debian）。從 Windows 更新更新核心並驗證其是否 5.10.43.3或更高 跑步 wsl cat /proc/version 在 PowerShell 中。
步驟 3：依照 WSL 上的 NVIDIA CUDA 指南在發行版中安裝工具包和/或設定 NVIDIA Docker。 您將能夠使用 通常的 Linux 流程 加速 並將環境與主機 Windows 完美分開。
真實場景：混合使用 AMD + NVIDIA 筆記型電腦，12.8/11.8 出現錯誤
假設聯想 Ideapad 5 Pro 搭載 AMD Ryzen 處理器、AMD Radeon iGPU 和 NVIDIA GeForce GTX dGPU。運行 nvidia-smi 出現 驅動程式526.56 和 CUDA 版本 12.0，但嘗試安裝 CUDA 12.8 或 11.8 似乎不起作用。
理解它的關鍵：CUDA 版本線 nvidia-smi 表示驅動程式支援的最高 CUDA 執行時間版本，而不是已安裝的工具包版本。驅動程式 526.56 它支援 CUDA 12.0 和 11.8，但不支援 12.8，因為 12.8 需要更新的驅動程式（55x/56x 分支）。請從 NVIDIA 網站更新到最新的驅動程式（Studio 或 Game Ready DCH），然後重複安裝。
在混合型電腦上，請檢查 NVIDIA 控制面板或 Windows 圖形設置，以確保您的運算應用程式正在使用 NVIDIA GPU。如果沒有使用 dGPU， NVIDIA-SMI 這可能會導致問題，或者框架可能會載入到不支援 CUDA 的 AMD iGPU 上。請考慮全新安裝驅動程序，並驗證 GeForce Experience 是否能夠偵測到硬體。
特殊需求：ML.NET 模型建構器（僅限影像分類）
對於使用 Model Builder 的影像分類場景，Microsoft 需要一個特定的堆疊：CUDA 10.1 和 cuDNN 7.6.4。請小心，因為較新的版本不支援該特定流程。
cuDNN 7.6.4 的關鍵步驟：下載 CUDA 10.1 的 ZIP 文件，解壓縮並複製 cudnn64_7.dll 從 cuda\bin a C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin。您不能擁有多個版本的 神經網絡 同時；刪除其他版本的殘餘以避免執行過程中發生衝突。
此場景的硬體需求：至少一個支援 CUDA 的 GPU 和 6 GB 專用記憶體。如果沒有本機 GPU，模型產生器可以在 GPU 虛擬機器上進行訓練。 天藍，或最終在 CPU 上進行，儘管訓練時間要長得多。
快速診斷並解決常見問題
GPU 不會出現在“設定”或“工作管理員”中：開啟“裝置管理員”，在“顯示轉接器”下尋找，然後安裝對應的磁碟機。沒有驅動程式。 NVIDIA，Windows 不會將 dGPU 暴露給應用程式。
檢查系統的CUDA版本：在PowerShell/CMD運行 nvcc --version。如果失敗，請檢查工具包是否已安裝，以及 路徑 包括資料夾 bin 來自工具包。
此工具包未偵測到 CUDA 裝置：確保驅動程式是最新的，並且您的 GPU 在支援 CUDA 的清單中。 設備查詢 y 頻寬測試 它們是您的溫度計，用於確認硬體驅動工具包堆疊是否響應。
計算的驅動模式不正確：在計算 GPU 上，使用 nvidia-smi 檢查/切換 TCC（如適用）。在大多數筆記型電腦 GeForce 上， WDDM 這是預期模式，您無法變更它。
與 Python 框架的依賴衝突：如果您透過 pip 使用 CUDA Wheels，請記住它們僅涵蓋執行時，並且與虛擬環境綁定。要編譯擴充功能或使用工具，還需要安裝 系統工具包，或使用 Conda 大量管理所有內容。
範例、樣本和良好實踐
為了驗證效能和功能，編譯並運行 deviceQuery y bandwidthTest 來自範例儲存庫中的 VS 解決方案。建置通常會將二進位檔案保留在類似以下路徑中 CUDA 範例\v13.0\bin\win64\Release 如果您保留預設值。
為了直觀地了解 CUDA 的潛力，請執行以下圖形範例 particles。除了演示之外，他們還會幫你參考使用 共享內存 以及您自己專案中的網格/區塊模式。
具有 GPU 的雲端替代方案
如果您不想與本機驅動程式衝突或需要峰值功率，您可以選擇配備現代 GPU（A100、RTX 4090、A6000 等）的雲端執行個體。這些服務提供 立即部署，PyTorch/TensorFlow 的範本和即用即付，適用於強化訓練或快速測試。
註釋和標記
NVIDIA 技術文件和軟體包如有更改，恕不另行通知。請務必查看 發行說明 並在生產中安裝驅動程式或工具包之前更新相容性。
OpenCL 是 Apple Inc. 的商標，經 Khronos Group 授權使用。 NVIDIA 及其標誌是以下公司的商標或註冊商標： NVIDIA®（英偉達™）公司 在美國和其他國家。
有了正確的驅動程式、正確的工具包和一些精心完成的測試，Windows 就為 CUDA 奠定了堅實的基礎：您可以使用 Visual Studio 進行開發，使用官方範例進行驗證，像在 Linux 中一樣在 WSL 中運行 AI 框架，如果遇到困難，可以拉取替代安裝程式（Conda/pip）甚至雲端陷入困境； 重要的事情 是為了調整驅動程式和工具包版本，確認 NVIDIA GPU 是實際使用的，並支援您 設備查詢/頻寬測試 確保一切都是綠色的。 分享本教學課程，更多使用者將了解如何在 Windows 上安裝 CUDA。