查看电脑里CUDA的版本方法：

1、在桌面空白处点击右键，进入NVIDIA控制面板。

在打开的窗口左下角有个“系统信息”，单击后出现窗口选择“组件”标签，这时就能看到各个组件的版本信息了。

2、 下载CUDA查看与检测工具：CUDA-Z 软件

CUDA-Z就像常用的GPU-Z，具体参数是针对CUDA应用方面的信息，支持CUDA信息查询，还可以测试电脑CUDA的速度。

CUDA(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。

进入anaconda环境

1. 查看torch版本

python -c \”import torch; print(torch.__version__)\”

2. 查看cuda版本

python -c \”import torch; print(torch.version.cuda)\”

1.查看CUDA组件是否安装成功，若CUDA组件安装成功，则说明CUDA安装成功，如下图所示：

2.在cmd中查看CUDA版本信息：

打开cmd，先切换到c盘根目录，再切换到CUDA根目录，其下包含bin

切换到bin目录，命令是：

cd bin

执行下面的测试命令：

nvcc -V

如果安装正常的话，且组件都正常，则会输出驱动版本信息，表示安装成功，如下图：

2018年9月25日笔记

在按住Win键的情况下，按Q键，呼唤出搜索框。

在搜索框中输入 control panel ，如下图所示：

在上图的搜索框中，已经显示出 NVIDIA控制面板 ，如果读者有显示，则可以忽略第一步，直接点击进入NVIDIA控制面板。

下面2张图演示如何在控制面板中找出NVIDIA控制面板。

首先选择 查看方式 为 小图标 ，如下图红色方框标注处所示：

选择进入导航栏的 帮助 中的 系统信息 ，如下图红色方框标注处所示：

点击 组件 按钮，如下图红色箭头标注处所示。

在红色方框和红色文字共同标注处则显示当前电脑的CUDA版本号，例如本文作者是CUDA9.2。

1.2018年9月25日是中秋节假后三天第1天上班，写点简单的新手指南恢复学习状态。

2.知道自己电脑的CUDA版本号，则可以 选择合适版本的 CUDA Toolkit ，例如上图本文作者的CUDA版本号为9.2，则我可以安装CUDA Toolkit 9.2、CUDA Toolkit 9.0、CUDA Toolkit 9.1、CUDA Toolkit 8.0等。

3.查看CUDA Toolkit历史版本官方链接：

可以参考以下资料

1. 查看cuda版本

输入nvidia-smi查看服务器cuda版本

2. 找到对应cuda版本的pytorch安装命令进入pytorch官网，点击对应的系统、语言、cuda版本等，然后复制命令。或点击previous version of pytorch查找以前的版本，再复制pytorch安装命令。

3. 在terminal里边粘贴命令，回车安装pytorch

输入y确认安装以上的包，安装时间可能有点长，请耐心等待。

做深度学习的小伙伴们可能都会在安装环境的时候经常遇到的cuda版本驱动版本以及和显卡是如何对应的，经常搞得特别糊涂，官网没有直接提供他们的对应关系，导致我们在升级显卡的时候发现原来的软件环境不兼容，出现各种奇奇怪怪的问题。

NVIDIA系列显卡做深度学习,需要在宿主机安装显卡驱动(driver),需要在docker中安装英伟达的科学计算库(cuda),在python中安装深度学习库(我主要用pytorch),driver依赖显卡，cuda依赖driver，pytorch依赖cuda,于是就会有一些版本依赖问题.

最近我在将显卡从GTX2070升级到GTX3090的时候，发现自己原来pytorch程序总会在.cuda()命令卡十分钟左右，并且还有其他异常。后来才知到GTX3090需要cuda11以上的版本才能正常运行，而我使用的python库pytorch为0.4.1,cuda版本为9.0,受制于当前pytorch版本,无法使用最新的显卡，那么这个是如何看出来的呢？又如何解决？

英伟达官网（参考 cuda-GPUs ）并没有给出一个直接的关联关系，而是给了一个 Compute Capability ，让人摸不到头脑。

实际上这是一个中间数据，还需要另外一张表才能找到和cuda的对应关系，经过搜索我在维基百科（参考 CUDA ） 找到了答案。

同时，cuda对显卡驱动也有特定的要求，从英伟达官网（参考 cuda ）继续寻找答案

我们再查询深度学习库（参考 pytorch ）的版本对cuda的依赖关系

综合以上分析，GTX3090需要Compute Capability在8.6以上的cuda，而满足这个要求的cuda又只有11.0以上的版本。而cuda11版本又需要版本号450的显卡驱动。

其实，从表中我们也可以分析出，cuda和显卡驱动基本都是向下兼容的，意味着我安装最新的cuda和显卡驱动，基本上可以支持以前的几乎所有显卡。当然了，代价是需要更新我们的python深度学习库比如pytorch，tensorflow等指定cuda的版本，否则可能会出现一些兼容问题。

所以最后我安装最新驱动，重新构建了docker，用英伟达官方提供的cuda11的作为基础镜像，参考github Docker-Ubuntu-Unity-noVNC ， 更新pytorch0.4.1到1.7.1，甚至升级python版本3.5为3.9，索性兼容性还不错，只做了少量改动，问题完美解决。