一、驅動安裝

1、下載驅動
前往NVIDIA驅動下載頁，輸入顯卡型號和操作系統類型，選擇≥目標CUDA版本要求的驅動版本?。

2、安裝驅動?

• ?Windows?：雙擊安裝包按向導操作。
• ?Linux?：建議使用apt或官方.run文件安裝?。

3、驗證
運行nvidia-smi，檢查驅動版本是否滿足要求?。

二、核心匹配原則

1、顯卡驅動與CUDA版本兼容性?。

1）NVIDIA 顯卡驅動需滿足 CUDA 工具包的最低要求，例如 CUDA 11.8 需驅動版本 ≥515.43.04，CUDA 12.x 需驅動 ≥535.54.03?
顯卡驅動查詢方法?：輸入命令：nvidia-smi，輸出右上角顯示 ?CUDA Version: 12.5?即最高支持的 CUDA 版本?。

2）CUDA版本所需的最低驅動版本。

訪問NVIDIA官方文檔?，進入CUDA Toolkit Release Notes ，查找目標CUDA版本對應的驅動版本要求?。

注意：驅動是向下兼容的，其決定了可安裝的CUDA Toolkit的最高版本。

2、GPU 算力與?CUDA?版本對應關系

?顯卡算力與CUDA版本的關系主要體現在顯卡的Compute Capability（算力）決定了支持的CUDA版本。?
NVIDIA顯卡的算力是通過Compute Capability（CC）來衡量的，不同的顯卡有不同的CC值。例如，NVIDIA的RTX A2000顯卡的算力為8.6，即CC為8.6?1。CUDA版本需要支持顯卡的CC值，否則會出現兼容性問題。

1）查顯卡算力
https://developer.nvidia.com/cuda-gpus#compute
比如：GeForce RTX 3080 算力8.6

2）通過NVIDIA Datacenter Drivers :: NVIDIA Data Center GPU Driver Documentation查詢算力對應CUDA版本。

3、CUDA 與 cuDNN 的對應關系

?CUDA 與 cuDNN?：需嚴格匹配，例如 CUDA 11.8 對應 cuDNN 8.6.0，CUDA 12.2 對應 cuDNN 8.9.0?。
官方版本對應表可參考cuDNN Archive | NVIDIA Developer

4、TensorRT與CUDA、cuDNN?的對應關系

?TensorRT 依賴?：必須與 CUDA、cuDNN 版本一致（如 TensorRT 8.5.3.1 需 CUDA 11.8 + cuDNN 8.6.0）?。

1）打開TensorRT官網說明文檔，查看各版本支持的計算能力。

Documentation Archives :: NVIDIA Deep Learning TensorRT Documentation

從上面列表中，點擊打開一個鏈接，有該TensorRT版本適配CUDA版本和cuDNN版本。比如：NVIDIA?TensorRT?8.6.1?打開后選擇“Support Matrix”鏈接。

點擊打開鏈接后，搜索“Supported Features per Platform”，里面就有CUDA、cuDNN版本。

注意文檔最后注角解釋，有些限制條件。

搜索“Compute Capability per Platform”，查看支持的算力。每個型號顯卡都有對應的算力。

搜索“Software Versions Per Platform”，查看一些軟件版本。

三、推薦版本組合

顯卡系列	驅動版本	CUDA 版本	cuDNN 版本	TensorRT 版本
?RTX 40 系?	≥535.54.03	12.2	8.9.0	10.0.0.1
?RTX 30 系?	≥515.43.04	11.8	8.6.0	8.5.3.1
通用兼容方案	≥545.84	12.3	8.9.7(適配 12.x)	8.6.1
?Titan V/RTX 20系?	≥470.82	11.1	8.2.1	8.2.4.2

四、安裝與驗證

1、?安裝順序

顯卡驅動??→??Visual Studio（可選）??→??CUDA??→??cuDNN??→??TensorRT??。
Windows 示例?：安裝 CUDA 12.2 時需先卸載舊版本驅動，避免沖突?。

?

2、版本驗證

CUDA?：終端輸入?nvcc --version，輸出顯示 CUDA 編譯工具版本?。
cuDNN?：在 Python 中執行?torch.cuda.cudnn_version()?或檢查安裝目錄的版本文件?。TensorRT?：運行?trtexec --version?或檢查安裝目錄的版本文件?。

五、注意事項

1、驅動更新策略?

1）優先通過 NVIDIA 官網下載驅動，避免使用系統自動更新（可能導致版本不匹配）。

2）若 CUDA 版本與驅動不兼容，需降級驅動或升級 CUDA。

2、?性能優化建議

1）、使用 TensorRT 官方測試過的組合（如 CUDA 12.2 + cuDNN 8.9.0 + TensorRT 10.0.0.1），可減少推理時延。

2）、避免混用不同版本的 CUDA 動態庫（如同時安裝 CUDA 11.x 和 12.x）。