LINUX CUDA

### Linux 环境下 CUDA 的安装配置

#### 1. 验证硬件兼容性和驱动程序
确保 GPU 支持所需的 CUDA 版本并已正确安装 NVIDIA 显卡驱动。可以通过 `nvidia-smi` 命令验证显卡状态和驱动版本。

#### 2. 检查内核版本
确认内核版本是否满足所选 CUDA 版本的要求[^1]。不同 CUDA 发布版对应特定范围的操作系统内核版本，不匹配可能导致安装失败或其他未知错误。

#### 3. 下载与安装 CUDA Toolkit
访问[NVIDIA 官方网站](https://developer.nvidia.com/cuda-downloads)，依据操作系统详情下载适合的 CUDA 工具包。遵循官方指南完成安装过程，在此期间可以选择自定义路径而非默认位置以便于管理和维护。

#### 4. 设置环境变量
编辑用户的 shell profile 文件（如 `.bashrc` 或者其他相应文件），添加如下内容来设置必要的环境变量：

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

保存更改后执行命令使新设定生效:

source ~/.bashrc

这一步骤对于确保编译链接阶段能够找到 CUDA 库至关重要[^2]。

#### 5. 测试安装成果
通过运行简单的测试样例检验 CUDA 是否成功部署。通常可以在 `/usr/local/cuda/samples/` 找到一些预置的例子；也可以编写一段简短代码调用 cuBLAS 函数库来进行初步验证。

---

### 解决方案针对常见问题

当遇到 "CUDA and cuDNN version mismatch" 错误提示时，需仔细对照两者之间的依赖关系表，调整至相容组合后再尝试重新构建项目。

如果怀疑是由于 Anaconda 虚拟环境中存在冲突引起的问题，则建议创建一个新的独立环境专门用于 TensorFlow 或 PyTorch 开发工作，并在此基础上单独处理所有依赖项包括但不限于 Python、CUDA 和 cuDNN[^3]。

最后，若仍无法定位具体原因，可借助 `echo $PATH` 来排查是否存在重复或不当指向的情况影响到了系统的正常解析逻辑[^4]。