为何pip可安装CUDA驱动？该功能的实现时间与方式解析

一、开始时间 #

• TensorFlow：2020年12月发布的TensorFlow 2.4版本起，默认的tensorflow包开始支持自动适配CUDA环境，替代了之前单独的tensorflow-gpu包，后续版本进一步完善了CUDA依赖的自动安装机制。
• PyTorch：2021年3月推出的PyTorch 1.8版本，官方提供了包含CUDA runtime的预编译pip包，用户通过pip安装时无需手动提前安装CUDA runtime组件。

二、实现方式 #

• 预编译集成CUDA runtime：官方针对不同CUDA版本编译对应的Python wheel包，这些包中嵌入了适配的CUDA核心运行库（如cuBLAS、cuDNN等），但并非完整的CUDA Toolkit。
• pip对二进制包的支持：pip本身支持安装符合PEP规范的wheel包，这类包可以包含非Python的二进制文件，安装时会将这些二进制依赖部署到Python环境的指定目录，运行时通过Python的路径加载机制调用。
• 环境自动适配：安装过程中，包会自动检测系统已有的CUDA版本（如果存在），或者直接安装兼容的CUDA runtime版本，确保框架能正常调用GPU。

三、关于pip与conda的能力差异 #

之前认为pip只能安装纯Python包是一种误解：pip作为Python包管理器，支持分发包含二进制扩展的包，这类包可以携带非Python的依赖组件；而conda的核心优势是跨语言的环境管理，能更全面地管控系统级依赖，但pip通过wheel包的扩展机制，同样可以实现CUDA这类非纯Python依赖的自动安装。

内容的提问来源于stack exchange，提问作者gebbissimo