cuda10.0和cudnn7.6

### CUDA 10.0 和 cuDNN 7.6 的安装配置及兼容性说明

#### 兼容性概述
CUDA 10.0 版本与 cuDNN 7.6.5 是完全兼容的组合，适用于多种深度学习框架如 TensorFlow、PyTorch 等。这种组合能够提供稳定高效的 GPU 加速计算环境[^1]。

#### 安装准备
在开始之前，请确认操作系统支持并已正确安装 NVIDIA 驱动程序。对于 Ubuntu 用户来说，推荐先通过命令 `uname -m && cat /etc/*release` 来获取当前系统的架构和版本信息以便后续操作更加顺利[^3]。

#### 下载资源
前往官方站点下载所需文件：
- **CUDA Toolkit**: 访问 [NVIDIA 开发者网站](https://developer.nvidia.com/cuda-downloads)，选择适合的操作系统以及 CUDA 10.0 进行下载。
- **cuDNN Library**: 登录 [NVIDIA cuDNN 页面](https://developer.nvidia.com/rdp/cudnn-archive)，找到对应于 CUDA 10.0 的 cuDNN 7.6.5 版本进行下载。注意下载 `.deb` 文件以简化安装流程[^5]。

#### 安装步骤
##### 对于 Windows 用户
由于提供的参考资料主要针对 Linux 平台，在此仅简单提及：确保 Visual Studio 已经安装好，并按照特定编译器版本的要求来匹配相应的开发工具链，例如 MSVC 2017 可用于构建基于 PyTorch 的项目[^2]。

##### 对于 Linux 用户（以 Ubuntu 为例）
1. 安装 CUDA Toolkit:
使用默认路径完成安装向导中的提示即可；如果采用.run脚本形式，则需给予执行权限并通过终端启动安装进程。

2. 设置环境变量:
编辑用户的 shell profile 文件（如`.bashrc`），加入如下两行代码使得每次登录都能自动加载必要的库路径：

    export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
    export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

3. 安装 cuDNN 库:
如果选择了.deb格式的软件包，可以直接利用 dpkg 或 apt-get 命令来进行快速部署。具体做法是在终端输入以下指令之一:

    sudo dpkg -i libcudnn7_*.deb
    # 或者
    sudo apt-get install ./libcudnn7_*.deb

4. 测试安装成果:
执行 `nvcc --version` 查看是否能正常显示 CUDA 编译器驱动的信息，以此判断 CUDA 是否被成功激活。另外还可以尝试运行简单的测试样例验证整个平台的功能完整性。