最近有demo要在Windows下跑，就在自己MX330显卡的笔记本上安装了CUDA和CUDNN，本文记录这个踩坑过程。

驱动适配

Windows上显卡的驱动一般是已经安装成功的，这里首先需要查看自己的显卡支持的CUDA版本。具体操作顺序维：桌面右击NVIDIA控制面板->导航栏选择帮助点击系统信息->切换到组件选项卡。

上图就是查看的结果，它表示最高支持的CUDA版本维10.2，更高的不支持（升级驱动后支持）。

安装包下载

CUDA的安装可以访问官网开发者工具中找到，链接给出，此时显示的结果如下，这是最新的CUDA11，点击右侧的红框选择历史版本。

找到CUDA10.2，按照需求下载exe文件即可。

CUDNN的下载也类似，链接也给出，这个下载需要注册开发者账号（简单几步注册登录即可），然后如下图选择合适的CUDA版本对应的CUDNN并选择Windows Library。这里注意，推荐的是CUDNN8.0.2，事实上，还有一个7.6.5更合适一些，点开Archived菜单查找，后者更稳定。我这里只是实例，实测RC版不支持TF2，请务必7.6.5这样的7.x版本。

安装

CUDA安装

双击运行CUDA安装程序，一开始会选择一个临时文件解压目录，这个随意，只是临时存放安装程序的。解压完成后正式进入CUDA的安装，首先是同意协议，接下来选择安装模式，这里切换到自定义安装，取消勾选Visual Studio Integration（这里解释一下，这个模块是对VS编译的支持，没有安装VS无法征常工作，而需要VS辅助则是需要编译cuda程序，这种编译不建议在Windows下进行，一般Windows下能跑深度学习原生框架的代码就行）。

然后就是安装目录，可以自己指定，一般默认即可。

下面就是一段时间的等待，结束后就成功安装了，点击关闭，完成安装。

此时，终端输入nvcc -V进行CUDA版本的查看，显示无误则成功安装，如下图。这时，关于CUDA的环境变量已经自动创建了，不需要手动创建。

CUDNN安装

解压下载得到的CUDNN压缩包，会得到一个名为cuda的目录，将其中bin,include和lib目录中的内容拷贝到CUDA的安装目录（默认维C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2）下的对应目录中。

然后，在系统环境变量的Path中新增如下两项（对应自己的安装目录）。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64

切换到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite目录下，命令行执行bandwidthTest.exe，查看结果是否如下图，显示Pass则安装成功。

至此，在Win10上CUDA和CUDNN安装完成。

训练测试

按照官方教程，在虚拟环境中安装Pytorch1.5并进行GPU训练测试，结果如下，成功使用CUDA训练。

或者命令行输入python -c "import torch;print(torch.cuda.is_available())"也能得到结果。