1. 查看CUDA版本
cuda默认安装在/usr/local目录，可以使用ls -l /usr/local | grep cuda查看该目录下有哪些cuda版本
假设有如下输出：
lrwxrwxrwx 1 root root 8 Apr 26 cuda -> cuda-9.0
drwxr-xr-x 11 root root 4096 Apr 26 cuda-10.0
drwxr-xr-x 11 root root 4096 Apr 26 cuda-8.0
drwxr-xr-x 11 root root 4096 Apr 26 cuda-9.0
则表示当前机器上安装了8.0、9.0、10.0三个cuda版本，/usr/local/cuda是一个软链接，链接到了/usr/local/cuda-9.0目录，表示当前使用的是cuda-9.0版本。
如果要查看详细的cuda版本号，可以用如下两种方法：
1)nvcc --version，如果提示找不到该命令，则执行/usr/local/cuda/bin/nvcc --version，如果报找不到该路径或文件，则表示nvcc没有安装，可以sudo apt install nvidia-cuda-toolkit安装
2)cat /usr/local/cuda/version.txt
如果当前机器上安装了多个cuda版本，可以使用修改软链接的方式来修改系统使用的cuda版本，命令如下：
sudo ln -snf/usr/local/cuda-8.0/usr/local/cuda
2. 查看cuDNN版本号
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
3. CUDA是否可用于当前AI开发框架？
确定了CUDA版本号，那么该版本是否可以用于当前安装的AI开发框架呢？如pytorch、tf？
1)如果使用pytorch，可以使用如下语句查询是否可用：
import torch
print(torch.__version__) # 查看torch当前版本号
print(torch.version.cuda) # 编译当前版本的torch使用的cuda版本号
print(torch.cuda.is_available()) # 查看当前cuda是否可用于当前版本的Torch，如果输出True，则表示可用
2)如果使用tf，则没有pytorch这么方便的方式来查看CUDA是否可用
只能在 import tensorflow as tf 的时候才能发现CUDA是否可用，如果不可用，会有如下类似的报错：
ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory
这就表示当前tf需要CUDA 9.0，但是没有找到，决定tf应该使用哪个版本的CUDA，是tf安装目录下的一个_pywrap_tensorflow_internal.lib库文件定义的，里面是如何实现的，就得去看源码了。
但是我们可以用更简单的方法来查看tf与CUDA的对应关系，可用过官网查询：
4. 其他疑问
我们还经常用到nvidia-smi命令，使用该命令会有如下输出：
nvidia-smi命令可以查看GPU的具体使用情况，同时也会列出 CUDA Version。
如果nvidia-smi命令列出的CUDA版本与nvcc -V列出的版本号不一致，可能是由以下原因之一引起的：
1)安装多版本cuda后，还没有刷新环境变量，刷新即可；
2)CUDA有两种API，分别是运行时API和驱动API，即所谓的Runtime API与Driver API，nvidia-smi的结果除了有GPU驱动版本型号，还有CUDA Driver API的版本号，这里是10.0，而nvcc的结果是对应CUDA Runtime API
补充说明：在安装CUDA 时候会安装3大组件，分别是 NVIDIA 驱动、toolkit和samples。NVIDIA驱动是用来控制GPU硬件，toolkit里面包括nvcc编译器等，samples或者说SDK 里面包括很多样例程序包括查询设备、带宽测试等等。上面说的CUDADriver API是依赖于NVIDIA驱动安装的，而CUDA Runtime API 是通过CUDA toolkit安装的。
