cudnn安装教程gpu

### 关于 cuDNN 的 GPU 安装教程

#### 查看电脑支持的 CUDA 和 cuDNN 版本
为了确保兼容性和最佳性能，在安装之前应当确认计算机所支持的最高 CUDA 版本以及相应的 cuDNN 版本。这通常取决于 NVIDIA 显卡驱动程序和支持硬件的能力[^1]。

#### 下载 cuDNN 库
访问[NVIDIA官方网站](https://developer.nvidia.com/cudnn)，登录或注册开发者账号后，可以根据已安装的 CUDA Toolkit 版本来选择合适的 cuDNN 版本进行下载。注意要匹配好 CUDA 的版本号以保证两者之间的兼容性[^3]。

#### 配置环境变量
下载完成后解压文件到指定目录，并设置必要的环境路径以便操作系统能找到这些库文件。对于 Windows 用户来说，可能需要编辑 `PATH` 变量；而对于 Linux 或 macOS 用户，则可以在 shell profile 文件（如 `.bashrc` 或者 `.zshrc`）里添加如下类似的命令：

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/path/to/cuda/lib64:/path/to/cudnn/lib64

这里 `/path/to/...` 表示实际存放 CUDA 和 cuDNN 库的位置，请替换为具体的路径。

#### 测试 cuDNN 是否安装成功
完成上述操作之后可以通过运行一些简单的测试样例来验证 cuDNN 已经被正确加载并能正常工作。比如使用 Python 中的 PyTorch 来创建一个小网络结构来进行前向传播运算，观察是否有任何错误提示出现。下面给出一段简短的例子代码片段用于初步检测：

import torch
from torchvision import models

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model = models.resnet18(pretrained=True).to(device)

dummy_input = torch.randn(1, 3, 224, 224).to(device)
output = model(dummy_input)
print(output.shape)

这段脚本会尝试构建 ResNet-18 模型并将输入张量传入其中执行一次推理过程。如果没有报错则说明 cuDNN 正常可用。