对于CUDA版本：

nvcc --version

或者使用，

nvidia-smi

对于cuDNN版本：

对于Linux：

使用以下方法查找cuDNN的路径：

$ whereis cuda
cuda: /usr/local/cuda

然后使用该命令从头文件获取版本，

$ cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

对于Windows，

使用以下方法查找cuDNN的路径：

C:\>where cudnn*
C:\Program Files\cuDNN7\cuda\bin\cudnn64_7.dll

然后使用它从头文件转储版本，

type "%PROGRAMFILES%\cuDNN7\cuda\include\cudnn.h" | findstr CUDNN_MAJOR

如果您在Windows上获得CUDA的两个不同版本-nvcc和NVIDIA smi显示的不同CUDA版本

如果您已安装CUDA SDK，则可以运行“deviceQuery”查看CUDA的版本

正如Jared在命令行的评论中提到的：

nvcc --version

（或/usr/local/cuda/bin/nvcc-version）提供cuda编译器版本（与工具包版本匹配）。

从应用程序代码中，可以使用

cudaRuntimeGetVersion()

或驱动程序API版本

cudaDriverGetVersion()

正如Daniel所指出的那样，deviceQuery是一个SDK示例应用程序，可以查询上面的内容以及设备功能。

正如其他人所指出的，您也可以使用（例如，在Mac或Linux上）检查version.txt的内容

cat /usr/local/cuda/version.txt

但是，如果安装了CUDA工具包的另一个版本，而不是从/usr/local/CUDA符号链接的版本，则如果PATH中的另一版本早于上述版本，则可能会报告版本不准确，因此请谨慎使用。

您可以使用

nvcc -V

或者你可以使用

nvcc --version

或者您可以检查CUDA使用的位置

whereis cuda 

然后做

cat location/of/cuda/you/got/from/above/command

使用tensorflow：

import tensorflow as tf
from tensorflow.python.platform import build_info as build
print(f"tensorflow version: {tf.__version__}")
print(f"Cuda Version: {build.build_info['cuda_version']}")
print(f"Cudnn version: {build.build_info['cudnn_version']}")

tensorflow版本：2.4.0

Cuda版本：11.0

Cudnn版本：8

如果nvcc和nvidia-smi之间存在版本不匹配，则使用不同版本的cuda作为驱动程序和运行时环境。

为了确保使用相同版本的CUDA驱动程序，您需要做的是在系统路径上获取CUDA。

首先运行cuda所在的位置，找到cuda驱动程序的位置。

然后转到.bashrc并修改路径变量，并使用变量“LD_LIBRARY_path”设置搜索的目录优先顺序。

例如

$ whereis cuda
cuda: /usr/lib/cuda /usr/include/cuda.h /usr/local/cuda

CUDA安装在/usr/local/CUDA，现在我们需要将路径变量添加到.bashrc，如下所示：

vim  ~/.bashrc
export PATH="/usr/local/cuda/bin:${PATH}"

在该行之后，将目录搜索路径设置为：

export LD_LIBRARY_PATH="/usr/local/cuda/lib64:${LD_LIBRARY_PATH}"

然后保存.bashrc文件。并将其刷新为：

$ source ~/.bashrc

这将确保您有nvcc-V和nvidia-smi使用相同版本的驱动程序。