前言：此篇文章以Pytorch2.0.0+CUDA11.8+cuDNN8.9.2为例

1、为什么要在虚拟环境中安装cuda、cudann？

（1） 隔离依赖

虚拟环境可以帮助隔离不同项目所需的依赖库和版本，避免冲突。例如，不同项目可能需要不同版本的 CUDA 或 cuDNN 来支持特定的深度学习框架（如 TensorFlow、PyTorch）的版本要求。将这些库安装在虚拟环境中，确保每个项目使用其特定的版本，避免系统环境中的全局冲突。

（2）方便管理和维护

在虚拟环境中安装 CUDA 和 cuDNN 可以简化管理和更新流程。例如，针对某个项目进行版本升级或降级时，可以在虚拟环境内更改依赖而不会影响到其他项目的运行。

（3）提升兼容性

在深度学习开发中，不同的深度学习框架（如 TensorFlow 和 PyTorch）可能对 CUDA、cuDNN 的版本有不同的要求。在虚拟环境中安装专用版本，能够确保不同项目在不同的依赖版本下正确运行，避免在系统范围内安装多个版本而导致冲突。

（4）方便迁移和部署

使用虚拟环境将 CUDA、cuDNN 和项目代码、库等绑定在一起，便于在不同的机器上进行迁移或部署。这样可以确保在另一台机器上运行时，环境一致，减少因环境差异带来的问题。

（5）快速重置环境

在开发和测试中，可能需要快速重置或重建环境。将 CUDA 和 cuDNN 安装在虚拟环境中，可以更方便地删除或重建，而不会影响到全局的系统配置。

2、虚拟环境

（1）创建conda虚拟环境
conda create -n name python=3.x

conda create -n chatGLM python=3.9

（2）激活conda虚拟环境
conda activate name

conda activate chatGLM

ps：后面的操作均在激活的虚拟环境执行
（3）查看CUDA版本
系统的 CUDA 驱动版本决定了支持的最高 CUDA Toolkit 版本，并且该驱动对低版本的 CUDA Toolkit 具有向下兼容性。

nvidia-smi

比如我的CUDA Version=12.7，那么它就可以支持 ≤ 12.7版本的CUDATookit

（4）安装cudatoolkit和cudnn包
查看支持的cuda版本

conda search cudatoolkit
或者
conda search cudatoolkit --info

进入pytorch官网：网址

复制

conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.8 -c pytorch -c nvidia

出现done完成！如果出现以下情况，再试一次；
安装特定版本的cuda：

conda install cuda -c nvidia/label/cuda-11.8.0
conda install cuda-cudart-dev -c nvidia
或者
conda install nvidia/label/cuda-11.8.0::cuda --channel nvidia/label/cuda-11.8.0

如果出现：

conda install -c nvidia cuda-nvcc=11.8.89 --clobber

安装指定版本的cudnn：

conda install cudnn=8.9.2

pip list查看是否安装完成

验证是否安装成功：

python
import torch
torch.cuda.is_available()

出现true即为环境搭建成功！