部署前先确认目标是运行现成的深度学习框架，还是要编译 CUDA 程序；两者需要的组件并不完全相同。下面按可检查、可回退的顺序说明 CUDA驱动与深度学习环境部署流程，涵盖 Windows 与 Ubuntu 常见做法。
先分清驱动、Toolkit 和框架
NVIDIA 显卡驱动负责让操作系统与显卡通信；CUDA Toolkit 提供编译器、开发库等工具；深度学习框架则调用 CUDA 运行环境执行计算。三者版本需要兼容，但不必一律安装成相同版本。
特别要注意，运行 nvidia-smi 显示的 CUDA Version，表示当前驱动可支持的 CUDA 版本上限，并不等于本机已安装对应版本的 Toolkit。只有需要编译 CUDA 源码或使用依赖本机 CUDA 开发工具的扩展时，才通常需要额外安装 Toolkit。
按顺序完成安装
第一步：核对硬件与系统
- 确认机器配有 NVIDIA GPU，并记录显卡型号、操作系统版本及系统架构。
- 查看要使用的框架及其官方安装说明，确定支持的操作系统、驱动要求和 CUDA 构建版本。框架发布的安装包可能已包含运行所需的 CUDA 库。
- 若是远程服务器，先确认你有管理员权限和重启窗口；安装或更新驱动通常需要重启。
第二步：安装显卡驱动
Windows 可从 NVIDIA 官方渠道获取适用于显卡型号和系统版本的驱动安装程序，按提示安装后重启。Ubuntu 桌面或服务器可先运行 ubuntu-drivers devices 查看系统建议，再使用 Ubuntu 提供的驱动安装方式；若要使用 NVIDIA 官方仓库，也应按其针对当前 Ubuntu 版本的说明操作。不要同时混装来源不明的驱动包。
重启后运行 nvidia-smi。如果能看到 GPU 型号、驱动版本和运行状态，说明驱动已被系统识别；如果提示无法与驱动通信，先检查驱动安装结果、内核模块状态以及是否确实装有 NVIDIA 显卡。
第三步：创建独立的 Python 环境
- 安装合适的 Python 版本，并用 Conda 或 Python 自带的 venv 为项目创建隔离环境，避免不同项目互相改动依赖。
- 到所选框架的官方安装页面，按操作系统、包管理工具和 CUDA 构建选项生成安装命令。复制命令前再次核对驱动兼容条件，不要直接套用旧教程中的固定版本号。
- 如果要编译 CUDA 程序，再安装与项目要求匹配的 CUDA Toolkit，并确认终端中的 nvcc --version 能显示编译器版本。普通框架推理或训练若不需要编译，通常可先不装 Toolkit。
验证环境是否真正可用
先检查 nvidia-smi 是否正常，再在已激活的 Python 环境中导入框架，查询其 CUDA 构建信息及 GPU 是否可见。以 PyTorch 为例，可运行 python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CUDA unavailable')"。结果为 True 且能返回设备名称，表示框架已找到可用 GPU；这一步不能替代实际任务测试，仍应运行项目自己的最小训练或推理样例。
如果驱动正常但框架检测不到 GPU，优先确认安装包是否为支持 CUDA 的构建、Python 环境是否激活，以及驱动是否满足该构建要求。若需要编译扩展，再检查 Toolkit、nvcc 路径和编译器版本。排查时一次只改一个组件，并记录变更前后的版本，避免反复覆盖安装。
本地部署还是云端部署
已有兼容显卡、需要频繁调试或处理本地数据时，本机安装通常更直接，也便于离线工作；缺少合适硬件、希望按需使用 GPU 服务器时，可以考虑云端方案。若任务需要远程 GPU 主机和持续维护环境，可了解德讯电讯的相关服务器服务，并在下单前核对可用 GPU、系统镜像、驱动管理方式及计费条件；具体配置应以服务方公开信息为准。
常见问题
只装驱动，不装 CUDA Toolkit，可以运行框架吗？
有时可以。若框架安装包已提供所需运行库，且驱动满足兼容条件，通常不必单独装 Toolkit；是否适用以框架安装说明为准。
nvidia-smi 显示的 CUDA 版本和 nvcc 版本不同，正常吗？
可能正常。前者反映驱动支持能力，后者显示本机 Toolkit 编译器版本，两者含义不同，不能只靠数字相同判断环境是否正确。
系统更新后 GPU 突然不可用怎么办？
先重新运行 nvidia-smi，确认驱动是否加载；再检查系统内核更新是否导致驱动模块未正确构建。必要时依照当前系统和驱动发行方的恢复说明重新安装并重启。
按“核对要求、装驱动、建独立环境、验证设备”的顺序推进，能减少版本冲突。记录操作系统、驱动、Toolkit 和框架版本，也会让这套 CUDA驱动与深度学习环境部署流程更容易复现和维护。
