之前跑深度学习项目总报错环境不匹配，折腾半天才搞懂怎么查看cuda版本，还踩了好几个混淆版本的大坑。

很多人搞不清楚自己电脑到底装的什么CUDA版本，就是因为混用了两个不同的查询命令，得出的结果完全不一样，适配的场景也天差地别，我之前就是栽在这一步。

查看cuda版本：nvcc命令查本地安装运行版本

最开始我只会无脑输网上搜到的命令，打开Windows的cmd或者Linux的终端，敲nvcc-V之后，跳出一串版本信息，当时天真的以为这就是全部的CUDA版本参数。后来部署模型一直失败，才发现这个命令查出来的，是你系统里实际安装、正在运行的CUDAToolkit版本，是编译代码、运行程序时生效的核心版本，来自NVIDIA官方工具的标准查询方式。

这个操作没有任何门槛，不管是Windows、Linux还是macOS系统都能直接用，输入nvcc--version也能得到一模一样的结果。正常输出的内容里，会明确标注release后的版本号，比如Release11.8，这就是实打实的本地CUDA运行版本，适配代码编译、模型训练的环境匹配需求。

但这里有个很常见的坑，如果输入命令提示不是内部或外部命令，大概率是安装CUDA后没配置系统环境变量，系统识别不到nvcc工具，并不是没装CUDA。我当初重装了两次软件，最后才发现只是环境变量没添加，纯粹白费功夫。

查看cuda版本：nvidia-smi命令查驱动支持版本

身边做算法开发的朋友，他排查环境问题的习惯和我完全不一样，他从来不用nvcc命令第一步排查，而是直接敲nvidia-smi。最开始我特别疑惑，两个命令查出来的版本号不一样，到底以哪个为准？

反复对比测试后才明白，nvidia-smi查询到的是显卡驱动最高兼容支持的CUDA版本，不是你本地安装的版本。简单说就是显卡能扛住的最高版本，你电脑实际安装的CUDA版本，只要低于或等于这个版本都可以兼容使用。

这也是绝大多数环境报错的根源，我之前装了12.2版本的CUDA，但是显卡驱动最高只支持12.0，导致程序一直运行异常，自己却完全找不到问题。朋友告诉我，开发时优先看smi的兼容版本，再匹配安装对应的CUDA，绝对不会出现版本冲突。

查询命令查询版本类型核心适用场景结果优先级
nvcc-V本地CUDA运行版本代码编译、项目运行、环境配置核对项目适配优先参考
nvidia-smi显卡驱动兼容版本判断CUDA版本是否可安装、兼容硬件适配优先参考

很多新手会把两个版本混为一谈，以为版本不一致就是安装出错，其实这是正常现象，驱动支持版本永远大于等于本地运行版本。

不用追求两个版本完全一致，只要本地安装的CUDA版本在驱动兼容范围内，环境就是稳定可用的。

我现在排查环境，都是先敲nvidia-smi看硬件上限，再用nvcc-V核对当前运行版本，两步就能精准定位版本问题，再也没出现过莫名其妙的环境报错。

上次调试完环境，关掉终端的时候，屏幕上还停着两行版本信息，一个是驱动兼容的最高版本，一个是本地正在运行的实际版本。