我已经不是第一次干这种别人升级我降级的事了。Ubuntu 22.04 装好之后系统自带源里给的 CUDA 已经是 12.x 系列但手上几个深度学习项目、同事分享的推理代码、还有某个得用老版本 TensorFlow 才能跑通的模型全都指向 CUDA 11.3。于是问题来了怎么在 Ubuntu 22.04 上把 CUDA 降级装成 11.3这条路看似简单实际走起来全是兼容性坑——GCC 版本太新、驱动版本不匹配、apt 源里找不到老包、新显卡和老 CUDA 打架。这篇就完整记录我踩完坑之后的最终方案和排错思路给同样被 CUDA 11.3 卡住的人一条能直接抄的路径。1. 为什么会碰到这个问题Ubuntu 22.04与CUDA 11.3的适配现状1.1 什么场景下必须降级到CUDA 11.3先说结论不是所有人都需要降级。如果你是新项目、新框架、新显卡直接用 CUDA 12.x 完全没问题。但下面这几类场景你大概率会被迫回到 CUDA 11.3老版本深度学习框架TensorFlow 2.5~2.9 这一批版本里官方预编译包基本对应 CUDA 11.2/11.3。尤其是 TensorFlow 2.8.0 这种中间版本官方文档明确写着推荐 CUDA 11.2 和 cuDNN 8.1但很多人实测下来 11.3 也能跑得很稳。PyTorch 这边torch 1.10.0 和 1.11.0 的 cu113 轮子一大把人在用。自动驾驶/机器人项目Autoware、某些基于 CUDA 的感知模块代码里写死了 CUDA 11.3 的算子库接口。升到 12.x 后 ABI 不兼容编译期报一堆函数找不到。Numba 和 numba-cuda 生态Numba 0.55 左右版本对 CUDA 11.3 支持得比较好到了 0.58 之后开始全面转向 CUDA 12。如果你的 CUDA Python 代码还停留在老 API升上去就得改代码。公司内部依赖团队里其他人都在用 CUDA 11.3 编译的算子库你一个人升到 12.x发过来的 .so 或 .pt 文件直接用不了这种协作层面的锁死往往比技术层面的更无解。所以降级不是技术洁癖是现实需求。而 Ubuntu 22.04 是当前很多人新装系统时的默认选择这才导致新系统 老 CUDA这种看似拧巴的组合频繁出现。1.2 Ubuntu 22.04 默认环境与老 CUDA 的冲突点Ubuntu 22.04 和 CUDA 11.3 之间隔了快一年的发布周期系统里的默认组件已经全面更新了。核心冲突有四个第一个是GCC 版本。Ubuntu 22.04 默认的 gcc 是 11.2而 CUDA 11.3 官方支持的 GCC 最高到 10.x。用 nvcc 编译时直接报unsupported GNU version错误。需要注意如果你只是跑别人编译好的程序或者 pip 安装的 PyTorchGCC 版本无所谓但只要涉及本地编译 CUDA 扩展比如某些 GitHub 项目需要 build from sourceGCC 就得降到 10。第二个是显卡驱动。Ubuntu 22.04 的 apt 源里默认推荐的是 nvidia-driver-535 或更新的版本这些新驱动本身是支持老的 CUDA runtime 的NVIDIA 驱动向后兼容做得不错但问题在于很多人根本不知道驱动和 CUDA 版本之间的对应关系装完新驱动就以为万事大吉结果跑程序时报driver version is insufficient。第三个是cuDNN。CUDA 11.3 对应的 cuDNN 是 8.2.x 版本。Ubuntu 22.04 源里的 cuDNN 版本比较新和 CUDA 11.3 对不上。这个坑往往藏得很深因为 cuDNN 装错版本不会像驱动错误那么直接报出来而是运行到卷积层时出现莫名其妙的崩溃或精度问题。第四个是内核版本。Ubuntu 22.04 默认内核 5.15也可以通过 HWE 更新到更新的内核。CUDA 11.3 发布时主要是针对 Ubuntu 20.04内核 5.4/5.8/5.11做的验证理论上内核 5.15 也能跑但如果驱动版本太老比如 470 之前在新内核上编译 DKMS 模块容易失败。这四个冲突点基本就是降级路上 80% 的坑提前认识了后面就从容得多。2. 兼容性摸底驱动、GCC、内核与CUDA版本的对应关系2.1 显卡驱动与CUDA版本的最低对应表在没有显卡驱动的情况下直接装 CUDA Toolkit 是可以装上的但一个程序都跑不起来。驱动和 CUDA 的版本关系决定了后面所有操作的可行范围。CUDA 版本Linux x86_64 最低驱动版本推荐驱动版本区间适用显卡架构举例CUDA 11.3465.19.01470.xx ~ 510.xxTuring、AmpereRTX 20/30系列CUDA 11.8520.61.05525.xx ~ 535.xxAmpere、Ada LovelaceRTX 40系列CUDA 12.x525.60.13535.xxAda Lovelace、Hopper这里有个非常重要的原则驱动向后兼容但向前不兼容。也就是说新版本的驱动能跑旧版本的 CUDA Toolkit但旧版本的驱动跑不了新版本的 CUDA。所以如果你想装 CUDA 11.3 并且用的是 RTX 3090/3080 这类 Ampere 显卡装一个 470 或 495 的驱动就很好如果你用的是 RTX 4060 这类 Ada 架构显卡那就必须装 535 甚至更新的驱动才能识别显卡好在 535 驱动完全兼容 CUDA 11.3 的 runtime。用nvidia-smi能看到当前驱动版本和支持的最高 CUDA 版本nvidia-smi输出里右上角显示的就是驱动版本下面表格显示CUDA Version这个数字只代表当前驱动最高支持到哪个 CUDA 版本跟你实际装的 CUDA Toolkit 是两回事。很多人看到这里显示 12.2 就以为系统里的 CUDA 是 12.2其实只是驱动支持而已这是个高频误区。2.2 GCC版本nvcc 编译能否通过的关键CUDA 11.3 的 nvcc 对 GCC 的版本有硬性检查。官方支持的最高版本是 GCC 10如果你用默认的 GCC 11 直接编译会看到这样的错误ERROR: Unsupported gcc version! gcc version 11.2.0 is not supported解决方法不是把 GCC 卸载而是安装 GCC 10 然后用 update-alternatives 做版本切换这样两个版本共存系统默认还是 11只有需要编译 CUDA 代码时切到 10sudo apt install gcc-10 g-10 sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-11 110 sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-10 100 sudo update-alternatives --install /usr/bin/g g /usr/bin/g-11 110 sudo update-alternatives --install /usr/bin/g g /usr/bin/g-10 100 # 查看当前配置 sudo update-alternatives --config gcc sudo update-alternatives --config g切到 gcc-10 后再执行gcc --version确认一下。如果你有 conda 环境也可以在 conda 里装一个 gcc_linux-64 的老版本只影响当前虚拟环境不污染系统。这个思路在多项目开发时更安全。2.3 内核版本其实不是最大的拦路虎很多人一听内核版本就觉得完蛋了其实 CUDA Toolkit 本身和内核的关系很小——它提供的是用户态库和编译器内核只跟 NVIDIA 驱动有关。换句话说内核 5.15 或 6.2 都可以跑 CUDA 11.3只要驱动能正常加载。驱动这一层如果出现编译问题优先检查 DKMS 日志sudo dkms status cat /var/log/dkms/*.log如果看到编译失败的记录大概率是驱动版本和内核头文件不匹配。解决方式是安装对应的 linux-headerssudo apt install linux-headers-$(uname -r)然后重新安装或重新编译驱动。只要驱动能加载nvidia-smi能正常显示CUDA 11.3 就不会跟内核有直接冲突。3. 驱动先行装一块能让CUDA 11.3正常工作的NVIDIA显卡驱动3.1 第一步先确定显卡型号与驱动策略动手前必须搞清楚你手里的是什么卡。不同的卡决定了驱动选型的边界lspci | grep -i nvidia如果输出是NVIDIA GA102 [GeForce RTX 3080]这类 Ampere 架构用 470 或更新的驱动都合适。如果输出是NVIDIA AD106 [GeForce RTX 4060]这类 Ada 架构则必须装 535 系列或更新的驱动。Ada 架构的卡强行装老驱动会出现无法识别显卡、黑屏或无显示输出。驱动安装方式主流有三种我按推荐程度排方式适用场景优点缺点apt 源安装官方源或ubuntu源常规在线环境管理方便升级简单版本可能偏旧NVIDIA 官方 runfile离线环境或需要指定版本版本精确可控性强每次内核升级后需手动重装NVIDIA 官方 .deb 包在线环境版本精确配合DKMS自动更新需要添加官方源从降级装 CUDA 11.3这个目标来看apt 源里装 535 或 545 是最省事的因为新驱动兼容老 CUDA 完全没问题。但如果你需要离线安装runfile 就是最稳的路径热搜里离线安装nvidia显卡驱动这个需求也是这么来的。3.2 runfile方式安装驱动的完整流程含离线场景先说离线场景。你需要在有网络的环境下先从 NVIDIA 官网下载对应驱动跑文件比如wget https://us.download.nvidia.com/XFree86/Linux-x86_64/535.154.05/NVIDIA-Linux-x86_64-535.154.05.run然后把这个 .run 文件通过 U 盘等方式带到目标机器。执行安装之前先处理 nouveau 驱动和图形界面的干扰# 禁用nouveau sudo bash -c echo blacklist nouveau /etc/modprobe.d/blacklist-nvidia-nouveau.conf sudo bash -c echo options nouveau modeset0 /etc/modprobe.d/blacklist-nvidia-nouveau.conf # 更新initramfs sudo update-initramfs -u # 重启并进入文本模式Server版跳过 sudo systemctl set-default multi-user.target # 临时关图形界面 sudo reboot重启后确认 nouveau 没加载然后执行驱动安装sudo sh NVIDIA-Linux-x86_64-535.154.05.run --silent --dkms加上--dkms参数非常重要这样的话内核每次升级后驱动能自动重新编译不然一升级内核你的显卡驱动就挂了又得重来一遍。装完重启回到图形界面sudo systemctl set-default graphical.target sudo reboot验证驱动是否安装成功nvidia-smi出现类似下面输出就说明驱动正常了----------------------------------------------------------------------------- | NVIDIA-SMI 535.154.05 Driver Version: 535.154.05 CUDA Version: 12.2 |这里再次强调右上角 CUDA Version 12.2 只是驱动支持的最高 CUDA 版本不代表你本地已经装了 CUDA 12.2后续装 CUDA 11.3 完全没问题。3.3 在线环境更省事的替代方案有条件联网的机器我其实更推荐直接用 apt 装官方源里的驱动省去签名、nouveau 这些麻烦sudo apt update sudo apt install ubuntu-drivers-common sudo ubuntu-drivers devices这个命令会列出当前推荐的驱动版本。装显卡对应的推荐版本即可sudo apt install nvidia-driver-535 sudo reboot在线装完之后同样用nvidia-smi验证。你可能会注意到 apt 装完的驱动版本比官网下载的要低一两个小版本但满足 CUDA 11.3 的需求绰绰有余。4. runfile与deb的取舍以及两步完成CUDA 11.3降级安装4.1 为什么我推荐 runfile 而不是 debCUDA Toolkit 的安装方式有两种主流选择我用一张表说清楚差异维度deblocalrunfile安装包大小较大包含全套较大但可裁剪安装权限需要 sudo默认需要 sudo卸载dpkg -P cuda提供自卸载脚本多版本共存较麻烦方便独立目录离线安装需要一次性下载一个文件就够对 Ubuntu 22.04 适配需要 --allow-downgrades 等技巧直接跑不关心发行版版本在 Ubuntu 22.04 上装 CUDA 11.3 有一个天然问题官网的 CUDA 11.3 下载页只提供 Ubuntu 20.04 的选项没有 Ubuntu 22.04 的。这时候 deb 方式会遇到依赖检查问题因为某些依赖包的版本和 Ubuntu 22.04 不完全兼容虽然可以加--allow-downgrades/--allow-change-held-packages强行装但容易搞得一团糟。runfile 方式就完全没有这个问题它只做文件解压和路径配置不经过 apt 依赖检查所以强烈建议 runfile。4.2 下载并执行 CUDA 11.3 的 runfile 安装CUDA 11.3 的官方下载在 NVIDIA 的 archive 页面直达地址是wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run注意文件名里的465.19.01是自带驱动的版本。我们会用 runfile 里的工具安装但不会装它自带的驱动因为驱动已经装好了再装一个旧驱动反而把事情搞复杂。执行安装前建议先看一下帮助选项sh cuda_11.3.0_465.19.01_linux.run --help然后开始安装sudo sh cuda_11.3.0_465.19.01_linux.run --silent --toolkit --toolkitpath/usr/local/cuda-11.3 --no-opengl-libs拆解一下参数含义--silent无人值守模式不会弹交互界面适合远程终端。--toolkit只装 Toolkit不装 Driver。这一步就是降级的核心我们要保留已经装好的新驱动不要被自带的老驱动覆盖。--toolkitpath/usr/local/cuda-11.3指定安装目录。这个路径要显式指定方便后续多版本共存管理。--no-opengl-libs不加这一项的话在某些桌面环境下可能导致循环登录或者黑屏我吃过这个亏所以每次必加。如果你希望带交互界面装也可以不加--silent进入菜单后操作方式在第一个界面选Options然后取消Driver勾选再返回把CUDA Toolkit勾上Install 即可。两种方式结果一样这里看自己习惯。安装完成后检查目录结构ls /usr/local/cuda-11.3正常情况下应该能看到 bin、lib64、include、nvvm 等目录。4.3 环境变量与软链接配置装好之后系统还不知道去哪里找 cuda-11.3。这里有两种配置思路第一种是直接修改用户环境变量在~/.bashrc末尾追加export PATH/usr/local/cuda-11.3/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda-11.3/lib64:$LD_LIBRARY_PATH export CUDA_HOME/usr/local/cuda-11.3然后source ~/.bashrc。这种方式简单直接但缺点是一旦以后装了多个 CUDA 版本切来切去要反复改这个文件。第二种是使用/usr/local/cuda软链接作为统一入口环境变量只指向软链接路径以后切换版本只需要改软链接。这是目前多版本共存的普遍做法sudo rm -f /usr/local/cuda sudo ln -s /usr/local/cuda-11.3 /usr/local/cuda然后在~/.bashrc里配置export PATH/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH export CUDA_HOME/usr/local/cuda这样以后装了 cuda-12.x只需要把软链接一改环境变量不用动相关的 CMake 工程和 PyTorch 编译都能正常识别。我想大部分人装完 CUDA 11.3 之后不会只用这一个版本所以强烈建议按第二种方式配置。4.4 验证一下版本号配置完环境变量后新开一个终端或重新 source执行nvcc -V看到类似输出nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2021 NVIDIA Corporation Built on Sun_Feb_14_21:12:02_PST_2021 Cuda compilation tools, release 11.3, V11.3.58这一步出来Cuda compilation tools, release 11.3, V11.3.58你的 CUDA 降级安装就已经成功了一大半。5. 多版本CUDA共存切换管理的三个层面5.1 为什么不要只装 11.3 一个版本有个观点我需要先纠正CUDA 降级不等于卸载新版本只留老版本。通常我不会把系统里已有的 CUDA 12 删掉因为 Ubuntu 22.04 很多应用和编译链可能依赖新版本而且有些新卡比如 40 系在 CUDA 11.3 下的支持不完整。保留多版本按项目需求切换才是工程上更合理的选择。实际项目里你会同时遇到这个仓库要用 CUDA 11.3和那个新框架需要 CUDA 12.x的情况。如果每次切换都重装系统或者卸载重装那时间就全耗在环境上了。所以多版本共存不是可选项是刚需。5.2 软链接方式最直接的切换逻辑前面提到用软链接管理/usr/local/cuda这里把切换脚本化# 切换到 CUDA 11.3 sudo rm -f /usr/local/cuda sudo ln -s /usr/local/cuda-11.3 /usr/local/cuda # 切换到其他版本假设你装了 cuda-12.3 sudo rm -f /usr/local/cuda sudo ln -s /usr/local/cuda-12.3 /usr/local/cuda由于环境变量里指向的都是/usr/local/cuda这个软链接所以切换后不需要改~/.bashrc。核心就一句话软链接指到哪个版本nvcc 就是哪个版本。实际维护中我会用一个小脚本放到~/bin/switch-cuda.sh#!/bin/bash if [ -z $1 ]; then ls -la /usr/local/ | grep cuda echo Usage: switch-cuda.sh version exit 1 fi if [ -d /usr/local/cuda-$1 ]; then sudo rm -f /usr/local/cuda sudo ln -s /usr/local/cuda-$1 /usr/local/cuda echo Switched to CUDA $1 else echo CUDA $1 not found in /usr/local fi用法chmod x ~/bin/switch-cuda.sh ~/bin/switch-cuda.sh 11.3 nvcc -V这样每个项目开头source一次或手动切一次不会互相污染。5.3 update-alternatives另一种管理思路如果你更喜欢滚轮式切换而不是手动 ln也可以使用 update-alternatives 来管理sudo update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-11.3 113 sudo update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-12.3 123 # 切换 sudo update-alternatives --config cuda这个方式会让系统维护一个候选列表每次切换只需要记住一个命令。但说实话我觉得这个方式对大多数场景来说过于重量级配置的优先级数字容易让人困惑不如软链接脚本直观。这里写出来是让你知道有这条路根据自己的习惯选择就好。5.4 多版本环境最容易忽略的库路径陷阱软链接切换只是切了编译器有个地方常常漏掉运行时库的缓存。即使LD_LIBRARY_PATH配好了系统还有一层/etc/ld.so.conf.d/下的配置和ldconfig缓存。某些程序在加载libcudart.so时会先去 ldconfig 缓存里找如果缓存还指向老版本路径就会出现 nvcc 显示 11.3 但运行的程序用的还是 12.x这种诡异情况。解决办法是检查并更新 ld 配置ls /etc/ld.so.conf.d/如果你发现里面有cuda-11-3.conf或类似文件说明安装时已经自动注册过了。手动更新缓存sudo ldconfig ldconfig -p | grep cudart这一步能帮你排查很多版本切换了但程序还是调用旧库的问题。建议每次切换完 CUDA 版本后都顺手执行一次sudo ldconfig几秒钟的事能挡掉后面一个小时的排查。6. 验证安装和排错记录nvcc已经就绪但程序跑不起来怎么办6.1 从 nvcc 到能跑深度学习程序之间的验证链路很多人做到nvcc -V就以为结束了其实那只是第一步。一条完整的验证链路应该是# 编译并运行设备查询示例 cd /usr/local/cuda-11.3/samples/1_Utilities/deviceQuery sudo make clean sudo make ./deviceQuery如果末尾出现Result PASS说明显卡驱动和 CUDA Toolkit 的配合是正常的。再跑一个带宽测试cd /usr/local/cuda-11.3/samples/1_Utilities/bandwidthTest sudo make ./bandwidthTestResult PASS说明内存读写路径正常。这两个示例程序是 NVIDIA 官方自带的最基础冒烟测试建议装完必跑。如果你的最终目的是跑 PyTorch那接下来最重要的是确认 PyTorch 的轮子是不是对应 CUDA 11.3python -c import torch; print(torch.__version__); print(torch.version.cuda); print(torch.cuda.is_available())如果输出torch.version.cuda是 11.3 且torch.cuda.is_available()是 True那么你的环境基本就绪了。安装对应版本的方式是pip install torch1.11.0cu113 torchvision0.12.0cu113 torchaudio0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113注意 PyTorch 版本要和你的项目需求匹配这里只是举例。6.2 常见错误对照表与解决组合拳我在降级过程中实际遇到、以及帮别人排查过的常见错误汇总如下报错信息根因解决方案nvcc fatal: Unsupported gcc versionGCC 版本超过 CUDA 11.3 支持的 10.x安装 gcc-10 并用 update-alternatives 切换libcudart.so.11.0: cannot open shared object file运行时找不到 CUDA 动态库检查 LD_LIBRARY_PATH执行 sudo ldconfigCUDA driver version is insufficient for CUDA runtime version驱动版本低于 CUDA 11.3 要求升级 NVIDIA 驱动到 465.19.01 以上推荐 535 或更新NVIDIA-SMI has failed because it couldnt communicate with the NVIDIA driver驱动没装好或内核升级后模块丢失重新安装驱动确认 --dkms 参数Error: no kernel image is available for execution on the device老 CUDA 对新显卡架构不完整支持换用新驱动某些算子需改用 CUDA 11.8 或更高cannot find -lcudart编译器找不到库路径确认 CUDA_HOME 和 nvcc 所在路径是否一致ImportError: libcublas.so.11: cannot open shared object filecuBLAS 库缺失或 PYTHON 环境 LD_LIBRARY_PATH 不对手动添加/usr/local/cuda-11.3/lib64到 LD_LIBRARY_PATH或激活 conda 环境后重新 export这里面最坑的是最后一条因为 conda 环境有时候会设置自己的LD_LIBRARY_PATH覆盖系统配置。运行前可以用echo $LD_LIBRARY_PATH确认路径里确实包含/usr/local/cuda-11.3/lib64。6.3 cuDNN 的版本对应问题CUDA 11.3 配套的 cuDNN 是 8.2.x。很多人只降级 CUDA 但忘了降 cuDNN导致训练时在卷积层报错这类错误通常没有明显的版本提示而是表现为莫名的精度异常或崩溃。cuDNN 的安装方式推荐用 .deb 或 tar 包。下载需要 NVIDIA Developer 账号选择cuDNN v8.2.4 for CUDA 11.3 (x86_64)即可。tar 方式解压后把文件复制到 CUDA 目录tar -xzvf cudnn-11.3-linux-x64-v8.2.4.15.tgz sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.3/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.3/lib64/ sudo chmod ar /usr/local/cuda-11.3/include/cudnn*.h /usr/local/cuda-11.3/lib64/libcudnn*然后执行sudo ldconfig刷新缓存再用cat /usr/local/cuda-11.3/include/cudnn_version.h | grep CUDNN_MAJOR -A 2确认版本号。这一步在深度学习场景下几乎必做千万别跳。6.4 关于ubuntu22.04和4060不兼容这类传言的真相最近总看到Ubuntu 22.04 和 4060 不兼容CUDA 11.3 和 40 系显卡不兼容的说法这里说点实际的。问题的根源有两层第一层是 40 系显卡Ada 架构需要足够新的驱动才能点亮和跑 CUDA。如果你用 Ubuntu 22.04 默认源里最早的驱动版本确实可能点不亮 4060这就是不兼容传言的来源。解决办法很简单装 535 或更新版本的驱动。第二层是 CUDA Toolkit 本身。CUDA 11.3 发布时间远早于 Ada 架构它不认识新的 GPU 架构代号所以用 nvcc 编译代码时如果没有指定-archcompute_89这类 Ada 参数生成的老架构 PTX 在 4060 上虽然能通过 JIT 跑但性能可能打折扣。如果坚持要在 4060 上用 CUDA 11.3编译时注意加上合适的架构参数或者接受部分依赖老特性的算子性能不佳的现实。实际情况是很多人在 4060 上跑 PyTorch CUDA 11.3 是正常的因为 PyTorch 的预编译包已经内置了多架构支持。如果项目不需要本地编译 CUDA 扩展驱动装好直接就能用。所以我建议先装上试跑不通再排查架构问题不要被传言吓得不敢动手。6.5 降级过程中的容错心态与恢复手段折腾环境最怕的是把系统搞到进不去桌面或循环登录。我做的操作里有几个容错点值得你提前准备好第一CUDA 驱动和 Toolkit 分开装是避免灾难的最有效手段。我的流程里驱动与 Toolkit 完全独立就算 Toolkit 装失败了也不影响系统图形界面。第二如果循环登录大概率是驱动问题。处理方式是在登录界面按 CtrlAltF2 进入 tty卸载驱动重装sudo apt purge nvidia-* sudo reboot第三多版本共存时如果某个版本的库路径污染了系统最快的回滚方式是删掉/usr/local/cuda这个软链接并恢复环境变量系统在短时间内回到没有 CUDA 的状态再慢慢修。7. 最后几个实操收尾建议CUDA 11.3 在 Ubuntu 22.04 上降级安装这件事核心链条其实很短装兼容的驱动用 runfile 装 Toolkit配好环境变量管理好软链接。但整个过程中最容易被忽略的细节往往是库路径缓存、GCC 版本、cuDNN 配套这些软件配置层面的东西而不是安装命令本身。我个人在实际操作中养成了几个习惯写出来给你做个参考第一个是每次装完一定跑一遍nvcc -V、nvidia-smi、deviceQuery、ldconfig -p | grep cudart四连确保编译器、驱动、运行时库三个层面都对齐缺一个都不算完成。第二个是切换 CUDA 版本后绝不只在新终端里验证旧的终端窗口必须关掉重开。环境变量在终端启动时就固化了旧窗口里 echo 出来的还是老路径很多人在这上面浪费过时间。第三个是把常用命令固化到笔记里。装 CUDA 这种一年未必操作几次的事情半年后再做很容易忘细节留一份带注释的命令清单按顺序执行就好。如果你后续要在同一台机器上跑多个 CUDA 版本的项目建议再花点时间整理一下 CMake 工程里的find_package(CUDA)或find_package(CUDAToolkit)配置确保这些工程使用CUDA_HOME环境变量而不是硬编码路径。这样整个 Ubuntu 22.04 的多 CUDA 环境才算真正可控。