conda安装cudatoolkit环境

### 创建和配置带有 CUDA Toolkit 的 Conda 环境

为了创建并配置一个包含特定版本 `cudatoolkit` 的 Conda 环境，可以遵循如下方式：

#### 定义环境需求
首先定义所需的 Python 版本以及必要的库。对于需要 GPU 支持的应用程序来说，通常会涉及到 PyTorch 或 TensorFlow 这样的机器学习框架。

conda create -n my_cuda_env python=3.8 cudatoolkit=10.2 pytorch torchvision torchaudio cuda-toolkit -c pytorch

这条命令将会创建名为 `my_cuda_env` 的新环境，并安装指定版本的 Python 和 cuDNN 库以及其他依赖项[^3]。

#### 使用清华镜像加速下载过程
考虑到网络因素可能导致软件包获取缓慢甚至失败的情况，在国内推荐使用清华大学开源软件镜像站来加快速度:

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

完成上述设置之后再执行创建环境的操作即可享受更快捷的服务体验[^4]。

#### 配置环境变量使 Conda 内部 CUDA 优先于系统级别
有时即使已经成功设置了含有 CUDA 工具链的新环境，仍然可能会遇到运行时加载错误的问题。这可能是由于路径冲突所引起的；此时可以通过调整几个关键环境变量的方式解决问题：

unset CUDA_HOME
unset LD_LIBRARY_PATH
export PATH=$CONDA_PREFIX/lib:$PATH
export LD_LIBRARY_PATH=$CONDA_PREFIX/lib:$LD_LIBRARY_PATH

这些指令确保了当激活该虚拟环境中时，任何调用都将指向由 Conda 提供而非操作系统全局范围内的 CUDA 资源[^5]。