尧图网站建设 
在 Windows 上配置 NVIDIA 显卡的 CUDA 开发环境是进行深度学习、科学计算或 GPU 加速应用开发的第一步。很多人在安装过程中会遇到驱动冲突、版本不匹配、环境变量错误导致nvidia-smi无法识别显卡或是 CUDA 样本编译失败等问题。本文将带你在 Windows 10/11 系统上从驱动检查开始完成 NVIDIA 显卡驱动、CUDA Toolkit 及 cuDNN 的完整安装和验证并解释关键组件的作用和常见问题的排查方法。1. 理解 CUDA 开发环境的核心组件在开始安装前需要先理解 NVIDIA GPU 开发环境的三个核心组件及其关系避免后续配置出现混淆。1.1 NVIDIA 显卡驱动显卡驱动是操作系统与 GPU 硬件通信的桥梁。没有正确的驱动系统无法识别显卡型号更无法使用 CUDA 功能。你可以通过nvidia-smi命令检查驱动状态。常见的错误“nvidia-smi has failed because it couldnt communicate with the nvidia driver”就是驱动未安装或版本冲突导致的。1.2 CUDA ToolkitCUDA Toolkit 是 NVIDIA 提供的并行计算平台和编程模型包含编译器、调试器、数学库和头文件等开发工具。它允许开发者使用 C、Python 等语言编写在 GPU 上运行的代码。CUDA Toolkit 版本需要与显卡驱动版本兼容通常新版 CUDA 需要较新的驱动支持。1.3 cuDNNcuDNN 是 NVIDIA 针对深度神经网络优化的 GPU 加速库提供高度优化的卷积、池化等操作。它在 CUDA 之上运行专为深度学习框架设计。安装 cuDNN 本质上是将库文件复制到 CUDA 的安装目录中。这三个组件的关系是显卡驱动是基础CUDA Toolkit 是开发平台cuDNN 是特定领域的加速库。安装顺序必须是先驱动后 CUDA最后 cuDNN。2. 安装前的环境检查与准备在下载任何安装包之前需要确认你的硬件和系统环境符合要求避免安装后出现兼容性问题。2.1 确认显卡支持 CUDA并非所有 NVIDIA 显卡都支持 CUDA。通常GeForce、Quadro、Tesla 系列中较新的型号都支持。你可以通过以下方式确认打开设备管理器展开“显示适配器”记录你的 NVIDIA 显卡型号。访问 NVIDIA CUDA GPU 支持列表 查看你的显卡是否在列。2.2 检查当前驱动版本如果系统已安装 NVIDIA 驱动建议先记录当前版本以便在安装失败时回退。# 打开命令提示符或 PowerShell运行 nvidia-smi正常输出会显示驱动版本、CUDA 版本这里是驱动支持的最高 CUDA 版本并非已安装的 CUDA Toolkit 版本、显卡型号、温度、功耗和显存使用情况。如果提示“nvidia-smi 不是内部或外部命令”说明驱动未安装或未正确安装。2.3 下载必要的安装包访问 NVIDIA 官方网站下载最新版本或项目所需特定版本的安装包显卡驱动进入 NVIDIA 驱动下载页面 选择你的显卡型号、操作系统下载标准版或 Studio 版驱动。CUDA Toolkit进入 CUDA Toolkit 下载页面 选择 Windows、x86_64、相应版本和安装类型推荐 exe [local] 离线安装。cuDNN进入 cuDNN 下载页面 需要注册 NVIDIA 开发者账号。下载与 CUDA 版本匹配的 cuDNN 库。注意CUDA 和 cuDNN 的版本必须严格匹配。例如 CUDA 11.8 需要对应 cuDNN for CUDA 11.x。版本不匹配会导致深度学习框架无法正常调用 GPU。3. 安装 NVIDIA 显卡驱动如果当前系统没有 NVIDIA 驱动或版本过旧需要先安装或更新驱动。3.1 卸载旧驱动可选但推荐如果之前安装过其他版本的驱动建议先彻底卸载避免冲突。下载 DDU 显示驱动卸载工具 。进入 Windows 安全模式重启时按住 Shift 键选择“疑难解答”-“高级选项”-“启动设置”-“重启”-按 4 进入安全模式。运行 DDU选择“GPU”-“NVIDIA”点击“清除并重启”。重启后回到正常模式。3.2 安装新驱动运行下载的驱动安装程序如GeForce_Experience_vX.XX.exe或5XX.XX-desktop-win10-win11-64bit-international-whql.exe。选择安装选项推荐选择“自定义安装”。勾选“执行清洁安装”这会移除之前的驱动残留。如果不需要 GeForce Experience用于游戏优化和录制可以取消勾选以简化安装。点击“下一步”开始安装过程中屏幕可能会闪烁几次这是正常现象。安装完成后重启系统。3.3 验证驱动安装重启后再次打开命令提示符运行nvidia-smi正常情况会输出类似以下信息----------------------------------------------------------------------------- | NVIDIA-SMI 5XX.XX Driver Version: 5XX.XX CUDA Version: 12.X | |--------------------------------------------------------------------------- | GPU Name TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | || | 0 NVIDIA GeForce ... WDDM | 00000000:01:00.0 On | N/A | | 0% 45C P8 10W / 200W | 500MiB / 8192MiB | 0% Default | ---------------------------------------------------------------------------如果看到显卡信息和驱动版本说明驱动安装成功。注意这里的“CUDA Version”表示此驱动支持的最高 CUDA 版本不是你已安装的 CUDA Toolkit 版本。4. 安装 CUDA Toolkit驱动就绪后开始安装 CUDA 开发工具包。4.1 运行 CUDA 安装程序运行下载的 CUDA 安装程序如cuda_11.8.0_522.06_windows.exe。选择解压路径临时目录安装后可删除点击“OK”。安装程序会检查系统兼容性。通过后选择安装选项安装类型推荐“自定义”以便查看具体安装组件。组件选择确保“CUDA”下的“Development”和“Runtime”被选中。如果空间紧张可以取消“Visual Studio Integration”如果你不用 VS和“Samples”。点击“下一步”开始安装。安装时间取决于组件数量和系统性能通常需要 10-30 分钟。4.2 配置环境变量CUDA 安装程序会自动添加以下系统环境变量但最好手动确认右键“此电脑”-“属性”-“高级系统设置”-“环境变量”。在“系统变量”中检查CUDA_PATH指向 CUDA 安装目录如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。CUDA_PATH_V11_8同上带版本号。Path应包含%CUDA_PATH%\bin和%CUDA_PATH%\libnvvp。如果缺少这些变量需要手动添加。Path中的顺序很重要CUDA 的路径应该在可能冲突的路径如旧版 CUDA之前。4.3 验证 CUDA 安装打开新的命令提示符让环境变量生效运行nvcc -V输出应显示 CUDA 编译器版本与安装版本一致nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2022 NVIDIA Corporation Built on Wed_Sep_21_10:41:10_Pacific_Daylight_Time_2022 Cuda compilation tools, release 11.8, V11.8.89 Build cuda_11.8.r11.8/compiler.31833905_05. 安装 cuDNN 库cuDNN 不是安装程序而是一组需要手动复制到 CUDA 目录的文件。5.1 解压并复制文件下载的 cuDNN 是一个压缩包如cudnn-windows-x86_64-8.9.5.29_cuda11-archive.zip解压后得到bin、include、lib三个文件夹。打开 CUDA 安装目录如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。将 cuDNN 解压出的三个文件夹内的内容分别复制到 CUDA 目录下对应的文件夹中合并而非覆盖整个文件夹。5.2 验证 cuDNN 安装没有直接命令验证 cuDNN但可以通过编译运行 CUDA 样本测试。如果安装 CUDA 时保留了样本它们通常在C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.8ProgramData 是隐藏文件夹。打开“x64 Native Tools Command Prompt for VS 20XX”对应你的 Visual Studio 版本这样环境变量会包含必要的编译工具。进入样本目录例如cd C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.8\1_Utilities\deviceQuery。运行make或打开.sln用 Visual Studio 编译。编译成功后运行生成的deviceQuery.exe./deviceQuery.exe CUDA Device Query (Runtime API) version (CUDART static linking) Detected 1 CUDA Capable device(s) Device 0: NVIDIA GeForce RTX 3060 CUDA Driver Version / Runtime Version 12.0 / 11.8 CUDA Capability Major/Minor version number: 8.6 ...更多设备信息 Result PASS看到“Result PASS”表示 CUDA 运行时和驱动通信正常。6. 常见问题与排查方法即使按照步骤安装仍可能遇到问题。下面列出常见错误及解决方案。6.1 nvidia-smi 无法通信现象运行nvidia-smi提示“nvidia-smi has failed because it couldnt communicate with the nvidia driver”。可能原因驱动未安装或安装失败。驱动版本与系统不兼容。设备管理器中显卡有黄色叹号。其他软件如安全软件阻止驱动加载。排查步骤检查设备管理器中的显卡状态。使用 DDU 彻底卸载驱动后重新安装。暂时禁用安全软件后安装驱动。查看系统日志事件查看器-Windows 日志-系统中是否有驱动相关错误。6.2 CUDA 安装程序检测到不兼容驱动现象安装 CUDA 时提示“CUDA existing package manager installation of the driver found. It is strongly recommended that you remove this before continuing.”原因系统存在通过包管理工具如 Chocolatey安装的 NVIDIA 驱动与官方安装程序冲突。解决通过包管理工具卸载现有驱动如choco uninstall nvidia-display-driver。或使用 DDU 彻底清理后重新安装官方驱动。6.3 编译样本时找不到编译器现象在命令提示符中运行nvcc或make失败提示“cl.exe not found”或“找不到编译器”。原因CUDA 编译需要 Visual Studio 的 C 工具链。未安装 VS 或环境变量未设置。解决安装 Visual Studio 2019 或 2022并确保安装时勾选“使用 C 的桌面开发”工作负载。使用“x64 Native Tools Command Prompt for VS 20XX”而不是普通命令提示符它会自动设置必要的环境变量。6.4 深度学习框架无法检测到 GPU现象在 Python 中运行torch.cuda.is_available()返回 False。可能原因CUDA 与 PyTorch/TensorFlow 版本不匹配。cuDNN 未正确安装。环境变量错误。排查步骤确认 PyTorch/TensorFlow 版本支持已安装的 CUDA 版本查看官方安装命令。检查import torch; print(torch.version.cuda)输出的 CUDA 版本是否与nvcc -V一致。重新检查 cuDNN 文件是否复制到正确位置。重启计算机让所有环境变量生效。7. 生产环境最佳实践在开发机上安装 CUDA 环境后如果需要在服务器或生产环境部署还需要考虑以下因素。7.1 版本选择策略环境类型驱动版本CUDA 版本建议个人开发机最新版最新或项目指定优先兼容项目需求其次追求新特性生产服务器长期支持版项目指定且经过测试稳定性优先避免频繁升级不要盲目追求最新版本。生产环境应选择经过项目充分测试的稳定版本组合并记录确切版本号以便重现环境。7.2 环境一致性管理使用环境管理工具如 Anaconda 或 Docker 可以封装 CUDA 依赖避免与系统环境冲突。记录环境配置保存nvidia-smi、nvcc -V输出和安装包版本便于问题复现和团队协作。考虑容器化部署使用 NVIDIA Container Toolkit 可以在 Docker 容器中直接使用 GPU避免在宿主机安装 CUDA。7.3 监控与维护定期检查驱动更新关注安全更新和性能改进但生产环境升级前需充分测试。监控 GPU 状态使用nvidia-smi -l 1实时监控 GPU 使用率、温度和显存避免资源耗尽。设置故障预警通过监控工具检测 GPU 错误计数、温度异常等指标及时预警。完成以上步骤后你的 Windows 系统已经具备了完整的 NVIDIA CUDA 开发环境。接下来可以开始安装 PyTorch、TensorFlow 等深度学习框架或直接使用 CUDA C 开发 GPU 加速应用。在实际项目中记得首先验证环境是否正常工作再开始大规模开发。 Windows系统NVIDIA CUDA开发环境完整配置指南与问题排查
在 Windows 上配置 NVIDIA 显卡的 CUDA 开发环境是进行深度学习、科学计算或 GPU 加速应用开发的第一步。很多人在安装过程中会遇到驱动冲突、版本不匹配、环境变量错误导致nvidia-smi无法识别显卡或是 CUDA 样本编译失败等问题。本文将带你在 Windows 10/11 系统上从驱动检查开始完成 NVIDIA 显卡驱动、CUDA Toolkit 及 cuDNN 的完整安装和验证并解释关键组件的作用和常见问题的排查方法。1. 理解 CUDA 开发环境的核心组件在开始安装前需要先理解 NVIDIA GPU 开发环境的三个核心组件及其关系避免后续配置出现混淆。1.1 NVIDIA 显卡驱动显卡驱动是操作系统与 GPU 硬件通信的桥梁。没有正确的驱动系统无法识别显卡型号更无法使用 CUDA 功能。你可以通过nvidia-smi命令检查驱动状态。常见的错误“nvidia-smi has failed because it couldnt communicate with the nvidia driver”就是驱动未安装或版本冲突导致的。1.2 CUDA ToolkitCUDA Toolkit 是 NVIDIA 提供的并行计算平台和编程模型包含编译器、调试器、数学库和头文件等开发工具。它允许开发者使用 C、Python 等语言编写在 GPU 上运行的代码。CUDA Toolkit 版本需要与显卡驱动版本兼容通常新版 CUDA 需要较新的驱动支持。1.3 cuDNNcuDNN 是 NVIDIA 针对深度神经网络优化的 GPU 加速库提供高度优化的卷积、池化等操作。它在 CUDA 之上运行专为深度学习框架设计。安装 cuDNN 本质上是将库文件复制到 CUDA 的安装目录中。这三个组件的关系是显卡驱动是基础CUDA Toolkit 是开发平台cuDNN 是特定领域的加速库。安装顺序必须是先驱动后 CUDA最后 cuDNN。2. 安装前的环境检查与准备在下载任何安装包之前需要确认你的硬件和系统环境符合要求避免安装后出现兼容性问题。2.1 确认显卡支持 CUDA并非所有 NVIDIA 显卡都支持 CUDA。通常GeForce、Quadro、Tesla 系列中较新的型号都支持。你可以通过以下方式确认打开设备管理器展开“显示适配器”记录你的 NVIDIA 显卡型号。访问 NVIDIA CUDA GPU 支持列表 查看你的显卡是否在列。2.2 检查当前驱动版本如果系统已安装 NVIDIA 驱动建议先记录当前版本以便在安装失败时回退。# 打开命令提示符或 PowerShell运行 nvidia-smi正常输出会显示驱动版本、CUDA 版本这里是驱动支持的最高 CUDA 版本并非已安装的 CUDA Toolkit 版本、显卡型号、温度、功耗和显存使用情况。如果提示“nvidia-smi 不是内部或外部命令”说明驱动未安装或未正确安装。2.3 下载必要的安装包访问 NVIDIA 官方网站下载最新版本或项目所需特定版本的安装包显卡驱动进入 NVIDIA 驱动下载页面 选择你的显卡型号、操作系统下载标准版或 Studio 版驱动。CUDA Toolkit进入 CUDA Toolkit 下载页面 选择 Windows、x86_64、相应版本和安装类型推荐 exe [local] 离线安装。cuDNN进入 cuDNN 下载页面 需要注册 NVIDIA 开发者账号。下载与 CUDA 版本匹配的 cuDNN 库。注意CUDA 和 cuDNN 的版本必须严格匹配。例如 CUDA 11.8 需要对应 cuDNN for CUDA 11.x。版本不匹配会导致深度学习框架无法正常调用 GPU。3. 安装 NVIDIA 显卡驱动如果当前系统没有 NVIDIA 驱动或版本过旧需要先安装或更新驱动。3.1 卸载旧驱动可选但推荐如果之前安装过其他版本的驱动建议先彻底卸载避免冲突。下载 DDU 显示驱动卸载工具 。进入 Windows 安全模式重启时按住 Shift 键选择“疑难解答”-“高级选项”-“启动设置”-“重启”-按 4 进入安全模式。运行 DDU选择“GPU”-“NVIDIA”点击“清除并重启”。重启后回到正常模式。3.2 安装新驱动运行下载的驱动安装程序如GeForce_Experience_vX.XX.exe或5XX.XX-desktop-win10-win11-64bit-international-whql.exe。选择安装选项推荐选择“自定义安装”。勾选“执行清洁安装”这会移除之前的驱动残留。如果不需要 GeForce Experience用于游戏优化和录制可以取消勾选以简化安装。点击“下一步”开始安装过程中屏幕可能会闪烁几次这是正常现象。安装完成后重启系统。3.3 验证驱动安装重启后再次打开命令提示符运行nvidia-smi正常情况会输出类似以下信息----------------------------------------------------------------------------- | NVIDIA-SMI 5XX.XX Driver Version: 5XX.XX CUDA Version: 12.X | |--------------------------------------------------------------------------- | GPU Name TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | || | 0 NVIDIA GeForce ... WDDM | 00000000:01:00.0 On | N/A | | 0% 45C P8 10W / 200W | 500MiB / 8192MiB | 0% Default | ---------------------------------------------------------------------------如果看到显卡信息和驱动版本说明驱动安装成功。注意这里的“CUDA Version”表示此驱动支持的最高 CUDA 版本不是你已安装的 CUDA Toolkit 版本。4. 安装 CUDA Toolkit驱动就绪后开始安装 CUDA 开发工具包。4.1 运行 CUDA 安装程序运行下载的 CUDA 安装程序如cuda_11.8.0_522.06_windows.exe。选择解压路径临时目录安装后可删除点击“OK”。安装程序会检查系统兼容性。通过后选择安装选项安装类型推荐“自定义”以便查看具体安装组件。组件选择确保“CUDA”下的“Development”和“Runtime”被选中。如果空间紧张可以取消“Visual Studio Integration”如果你不用 VS和“Samples”。点击“下一步”开始安装。安装时间取决于组件数量和系统性能通常需要 10-30 分钟。4.2 配置环境变量CUDA 安装程序会自动添加以下系统环境变量但最好手动确认右键“此电脑”-“属性”-“高级系统设置”-“环境变量”。在“系统变量”中检查CUDA_PATH指向 CUDA 安装目录如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。CUDA_PATH_V11_8同上带版本号。Path应包含%CUDA_PATH%\bin和%CUDA_PATH%\libnvvp。如果缺少这些变量需要手动添加。Path中的顺序很重要CUDA 的路径应该在可能冲突的路径如旧版 CUDA之前。4.3 验证 CUDA 安装打开新的命令提示符让环境变量生效运行nvcc -V输出应显示 CUDA 编译器版本与安装版本一致nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2022 NVIDIA Corporation Built on Wed_Sep_21_10:41:10_Pacific_Daylight_Time_2022 Cuda compilation tools, release 11.8, V11.8.89 Build cuda_11.8.r11.8/compiler.31833905_05. 安装 cuDNN 库cuDNN 不是安装程序而是一组需要手动复制到 CUDA 目录的文件。5.1 解压并复制文件下载的 cuDNN 是一个压缩包如cudnn-windows-x86_64-8.9.5.29_cuda11-archive.zip解压后得到bin、include、lib三个文件夹。打开 CUDA 安装目录如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。将 cuDNN 解压出的三个文件夹内的内容分别复制到 CUDA 目录下对应的文件夹中合并而非覆盖整个文件夹。5.2 验证 cuDNN 安装没有直接命令验证 cuDNN但可以通过编译运行 CUDA 样本测试。如果安装 CUDA 时保留了样本它们通常在C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.8ProgramData 是隐藏文件夹。打开“x64 Native Tools Command Prompt for VS 20XX”对应你的 Visual Studio 版本这样环境变量会包含必要的编译工具。进入样本目录例如cd C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.8\1_Utilities\deviceQuery。运行make或打开.sln用 Visual Studio 编译。编译成功后运行生成的deviceQuery.exe./deviceQuery.exe CUDA Device Query (Runtime API) version (CUDART static linking) Detected 1 CUDA Capable device(s) Device 0: NVIDIA GeForce RTX 3060 CUDA Driver Version / Runtime Version 12.0 / 11.8 CUDA Capability Major/Minor version number: 8.6 ...更多设备信息 Result PASS看到“Result PASS”表示 CUDA 运行时和驱动通信正常。6. 常见问题与排查方法即使按照步骤安装仍可能遇到问题。下面列出常见错误及解决方案。6.1 nvidia-smi 无法通信现象运行nvidia-smi提示“nvidia-smi has failed because it couldnt communicate with the nvidia driver”。可能原因驱动未安装或安装失败。驱动版本与系统不兼容。设备管理器中显卡有黄色叹号。其他软件如安全软件阻止驱动加载。排查步骤检查设备管理器中的显卡状态。使用 DDU 彻底卸载驱动后重新安装。暂时禁用安全软件后安装驱动。查看系统日志事件查看器-Windows 日志-系统中是否有驱动相关错误。6.2 CUDA 安装程序检测到不兼容驱动现象安装 CUDA 时提示“CUDA existing package manager installation of the driver found. It is strongly recommended that you remove this before continuing.”原因系统存在通过包管理工具如 Chocolatey安装的 NVIDIA 驱动与官方安装程序冲突。解决通过包管理工具卸载现有驱动如choco uninstall nvidia-display-driver。或使用 DDU 彻底清理后重新安装官方驱动。6.3 编译样本时找不到编译器现象在命令提示符中运行nvcc或make失败提示“cl.exe not found”或“找不到编译器”。原因CUDA 编译需要 Visual Studio 的 C 工具链。未安装 VS 或环境变量未设置。解决安装 Visual Studio 2019 或 2022并确保安装时勾选“使用 C 的桌面开发”工作负载。使用“x64 Native Tools Command Prompt for VS 20XX”而不是普通命令提示符它会自动设置必要的环境变量。6.4 深度学习框架无法检测到 GPU现象在 Python 中运行torch.cuda.is_available()返回 False。可能原因CUDA 与 PyTorch/TensorFlow 版本不匹配。cuDNN 未正确安装。环境变量错误。排查步骤确认 PyTorch/TensorFlow 版本支持已安装的 CUDA 版本查看官方安装命令。检查import torch; print(torch.version.cuda)输出的 CUDA 版本是否与nvcc -V一致。重新检查 cuDNN 文件是否复制到正确位置。重启计算机让所有环境变量生效。7. 生产环境最佳实践在开发机上安装 CUDA 环境后如果需要在服务器或生产环境部署还需要考虑以下因素。7.1 版本选择策略环境类型驱动版本CUDA 版本建议个人开发机最新版最新或项目指定优先兼容项目需求其次追求新特性生产服务器长期支持版项目指定且经过测试稳定性优先避免频繁升级不要盲目追求最新版本。生产环境应选择经过项目充分测试的稳定版本组合并记录确切版本号以便重现环境。7.2 环境一致性管理使用环境管理工具如 Anaconda 或 Docker 可以封装 CUDA 依赖避免与系统环境冲突。记录环境配置保存nvidia-smi、nvcc -V输出和安装包版本便于问题复现和团队协作。考虑容器化部署使用 NVIDIA Container Toolkit 可以在 Docker 容器中直接使用 GPU避免在宿主机安装 CUDA。7.3 监控与维护定期检查驱动更新关注安全更新和性能改进但生产环境升级前需充分测试。监控 GPU 状态使用nvidia-smi -l 1实时监控 GPU 使用率、温度和显存避免资源耗尽。设置故障预警通过监控工具检测 GPU 错误计数、温度异常等指标及时预警。完成以上步骤后你的 Windows 系统已经具备了完整的 NVIDIA CUDA 开发环境。接下来可以开始安装 PyTorch、TensorFlow 等深度学习框架或直接使用 CUDA C 开发 GPU 加速应用。在实际项目中记得首先验证环境是否正常工作再开始大规模开发。