并行编程实战——CUDA环境的安装之高版本更新

1. 创建虚拟环境
   conda create -n pytorch_gpu_env python=3.13 #anaconda安装的Python是这个版本：python --version
   conda activate pytorch_gpu_env
   此处还犯了个低级错误pytorch写成了pytroch结果激活时报了个错误，无语。强烈推荐使用虚拟环境安装。

安装Pytorch
打开Pytorch的官网“https://pytorch.org/get-started/locally/”，其会自动检测当前的环境并给出相关的安装选项和命令，如下图：

把上图最下面的命令复制出来，粘贴到虚拟环境的命令行中：

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu126

从理论上讲，就可以坐等成功了。可国内网络啊。连着报错，先是说“SSL”连接问题，然后说“远端主机强行关闭”，问了下DeepSeek，说是国内的网络的问题。解决方法推荐使用国内的镜像源。然后按照方法使用了清华的镜像。结果，确实安装成功了。但测试发现是一个CPU版本。本想着修改一下再创建一个新的虚拟环境，再装一个GPU版本，可忽然想到会不是科学的方法下载就好呢？于是用科学方法下载，果然，一分钟就安装好了。无语。干代码的，不容易。
安装成功后，使用下面的脚本测试一下：

import torch
import sys

print("=" * 50)
print("PyTorch安装信息:")
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"CUDA版本: {torch.version.cuda}")
print(f"cuDNN启用: {torch.backends.cudnn.enabled}")
print(f"GPU数量: {torch.cuda.device_count()}")

if torch.cuda.is_available():
    print(f"当前GPU: {torch.cuda.get_device_name(0)}")
    print(f"GPU内存: {torch.cuda.get_device_properties(0).total_memory / 1e9:.2f} GB")

# 测试cuDNN
    x = torch.randn(1, 3, 224, 224, device='cuda')
try:
# 尝试一个使用cuDNN的操作
        x = torch.nn.functional.conv2d(x, torch.randn(64, 3, 3, 3, device='cuda'))
        print("cuDNN操作测试: 成功")

# 再次检查版本
        print(f"cuDNN版本: {torch.backends.cudnn.version()}")
except Exception as e:
        print(f"cuDNN操作测试失败: {e}")

说明，这段验证代码从网上找的。其运行结果是：

PyTorch安装信息:
PyTorch版本: 2.10.0+cu126
CUDA可用: True
CUDA版本: 12.6
cuDNN启用: True
GPU数量: 1
当前GPU: NVIDIA GeForce GTX 960
GPU内存: 4.29 GB
cuDNN操作测试: 成功
cuDNN版本: 91002

否则相关选项无法打印或干脆是None。
注意：安装可以中断，然后继续安装，不会影响进一步的安装。而且中断后也可以再次安装，会继续推进，但还会断，有耐心的可以不断尝试看是否最终可以安装成功。
如果在中断后想删除相关安装操作，可以使用下面的命令：

pip list  #查看安装项目
pip uninstall torch torchvision torchaudio -y #移除相关安装

其实不如直接把这个虚拟环境删除，使用下面的命令：

conda remove -n pytroch_env --all // 删除虚拟环境名（如pytroch_env)环境及下属所有包

五、旧程序的兼容

在vs2019/2022中打开原来VS2017的CUDA项目，无法进行升级，直接报环境错误，找不到CUDA9.1的相关内容。可能如果同时安装了CUDA9.1就能够升级上来吧，没有经过实验验证。但推测可能是这样的。
在Windows上可以同时支持多个版本的CUDA的。相关的方法，可以查询资料，此处不把这个进行说明。

六、环境测试

依然沿用老的方法，直接打开VS2019/2022，在创建新项目时，选择“CUDA 12.6 Runtime”即可自动创建一个测试例程，将原来的回调函数相关部分的代码拷贝进来，如下：

#include"cuda_runtime.h"
#include"device_launch_parameters.h"

#include<stdio.h>
#include<cstdio>
#include<cstdlib>

// 回调函数
void CUDART_CB testCB(cudaStream_t stream, cudaError_t status, void* userData){
printf("enter callback！\n");
printf("cur status: %s\n", cudaGetErrorString(status));

if (userData != nullptr) {
int* d = (int*)userData;
printf("user data: %d\n", *d);
    }

printf("GPU operate completed!......\n");
}

// 向量加法
__global__ voidvecAdd(constfloat* a, constfloat* b, float* c, int n){
int i = blockIdx.x * blockDim.x + threadIdx.x;
if (i < n) {
        c[i] = a[i] + b[i];
    }
}


intmain(){
constint N = 10000;
constsize_t size = N * sizeof(float);

printf("CUDA callback demo start...\n");

// host mem
float* hA = (float*)malloc(size);
float* hB = (float*)malloc(size);
float* hC = (float*)malloc(size);

for (int i = 0; i < N; i++) {
        hA[i] = i;
        hB[i] = i + 1;
    }

// dev mem
float* dA, * dB, * dC;
    cudaMalloc(&dA, size);
    cudaMalloc(&dB, size);
    cudaMalloc(&dC, size);

    cudaStream_t stream;
    cudaStreamCreate(&stream);

// user data
int userData = 108;
printf("user data: %d\n", userData);

printf("start copy data from host...\n");//host->dev
    cudaMemcpyAsync(dA, hA, size, cudaMemcpyHostToDevice, stream);
    cudaMemcpyAsync(dB, hB, size, cudaMemcpyHostToDevice, stream);

printf("start kernel...\n");
int bSize = 256;
int nBlocks = (N + bSize - 1) / bSize;
    vecAdd << <nBlocks, bSize, 0, stream >> > (dA, dB, dC, N);

// copy :dev->host
printf("start copy from dev...\n");
    cudaMemcpyAsync(hC, dC, size, cudaMemcpyDeviceToHost, stream);

// add callback
    cudaStreamAddCallback(stream, testCB, &userData, 0);

printf("host continues to work ...\n");
for (int i = 0; i < 10; i++) {
printf("host:cur num  %d...\n", i);
    }

// wattting
printf("waitting...\n");
    cudaStreamSynchronize(stream);

for (int i = 0; i < 100; i++) {
printf("result data :%f\n", hC[i]);
    }


// 清理资源
    cudaStreamDestroy(stream);
    cudaFree(dA);
    cudaFree(dB);
    cudaFree(dC);

free(hA);
free(hB);
free(hC);

printf("app end！\n");
return0;
}

程序可以正常编译并启动运行。但有一个警告出现：

Cuda12Stream.lib 和对象 D:\vs2022_cuda_project\Cuda12Stream\x64\Debug\Cuda12Stream.exp
1>LINK : warning LNK4098: 默认库“LIBCMT”与其他库的使用冲突；请使用 /NODEFAULTLIB:library

它的意思和原来开发多线程库时的“多线程调试（MT或MTd）”选择问题一样，可以不处理。也可以使用下面的方式去除警告：

右键项目——属性
配置属性-链接器-命令行
粘贴下面的代码：
/NODEFAULTLIB:LIBCMT /NODEFAULTLIB:LIBCMTD

再重新编译相关项目则没有了这个问题。

五、总结

通过本文的升级安装，同样的显卡已经可以支持相当新的CUDA版本（虽然无法支持最新的CUDA13）。在这种情况下，一般的验证型应用都可以进行开发使用了。以后有时间再把C++版本的Pytorch和TensorFlow安装起来，就可以更好的把相关软硬件利用起来。