ubuntu20.04+cuda+cudnn+pytorch

### 安装和配置 CUDA、cuDNN 和 PyTorch 的方法 #### 1. 确定硬件与驱动版本 在开始安装之前，需确认 GPU 驱动已正确安装并支持目标 CUDA 版本。可以通过以下命令检查当前显卡及其驱动版本： ```bash nvidia-smi ``` 如果未安装 NVIDIA 显卡驱动程序，则需要先完成其安装[^1]。 --- #### 2. 下载并安装 CUDA 工具包 访问官方 NVIDIA CUDA Toolkit 页面下载适合的版本。对于 Ubuntu 20.04，推荐通过 `.deb` 文件或 `runfile` 方式安装。以下是基于 APT 软件源的方式： 更新软件源列表： ```bash sudo apt update ``` 添加 NVIDIA 的 GPG 密钥及软件仓库地址： ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb sudo apt-get update ``` 安装指定版本的 CUDA（例如 CUDA 11.8）： ```bash sudo apt-get install -y cuda-11-8 ``` 设置环境变量以便于后续调用 CUDA 库文件： 编辑 `~/.bashrc` 或 `/etc/profile.d/` 中的脚本文件，追加如下内容： ```bash export PATH=/usr/local/cuda-11.8/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} ``` 使更改生效： ```bash source ~/.bashrc ``` 验证安装成功与否： ```bash nvcc --version ``` --- #### 3. 安装 cuDNN cuDNN 是深度学习框架的重要依赖库之一。可以从 NVIDIA 开发者网站获取对应 CUDA 版本的 cuDNN 压缩包。解压后复制到相应目录即可完成集成操作。 假设已经获得 cuDNN v8.x 对应 CUDA 11.8 的 tar.gz 归档文件： ```bash tar -xzvf cudnn-linux-x86_64-*.*.*-cuda*.tgz sudo cp cuda/include/* /usr/local/cuda/include/ sudo cp cuda/lib64/* /usr/local/cuda/lib64/ sudo ldconfig ``` 再次校验是否正常加载 cuDNN 动态链接库： ```bash ls /usr/local/cuda/lib64 | grep libcudnn.so ``` --- #### 4. 使用 Conda 创建虚拟环境并安装 PyTorch 创建一个新的 Anaconda 虚拟环境用于隔离开发需求： ```bash conda create -n torch_env python=3.9 conda activate torch_env ``` 按照引用中的具体指令来安装兼容版本的 PyTorch 及其他组件： ```bash conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.8 -c pytorch -c nvidia ``` 测试安装效果以确保一切运行无误： ```python import torch print(torch.cuda.is_available()) # 输出 True 表明可用 print(torch.version.cuda) # 打印对应的 CUDA 版本号 ``` --- ### 注意事项 - 如果遇到任何错误提示，请仔细阅读报错信息并与实际安装路径对比调整。 - 不同版本间的匹配关系非常重要；建议始终查阅最新文档资料作为指导依据[^2]。

### 安装准备 为了确保顺利安装Conda、CUDA、cuDNN以及PyTorch，在Ubuntu 20.04上的操作环境应当保持最新状态。更新现有软件包列表并升级已安装的软件包至最新版本： ```bash sudo apt update && sudo apt upgrade -y ``` ### 安装Miniconda或Anaconda 对于Python数据科学和机器学习开发者来说，推荐使用Miniconda来管理不同的开发环境。通过wget获取Miniconda脚本文件，并按照提示完成安装。 ```bash wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh ``` 初始化miniconda以便可以在shell中立即使用它[^2]。 ### 安装CUDA Toolkit 选择合适的CUDA版本取决于目标应用的需求和个人偏好。这里以CUDA 11.8为例说明具体步骤。首先从NVIDIA官方网站下载对应版本的本地安装器。 ```bash wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run chmod +x cuda_11.8.0_520.61.05_linux.run sudo ./cuda_11.8.0_520.61.05_linux.run ``` 注意：在运行安装程序时可以选择仅安装驱动或者全部组件；如果已经拥有最新的显卡驱动，则可以跳过这部分安装[^4]。 ### 配置环境变量 为了让系统能够识别新安装的CUDA工具链，需编辑`~/.bashrc`或其他相应的Shell配置文件，添加如下两行内容： ```bash export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} ``` 使更改生效: ```bash source ~/.bashrc ``` 验证安装成功与否可以通过nvcc命令查看编译器版本号[^1]。 ### 安装cuDNN库 同样地，根据所选的CUDA版本下载相匹配的cuDNN SDK压缩包。解压后将其中的头文件复制到CUDA include目录下，共享对象文件则放置于lib64子目录内。 ```bash tar xvzf cudnn-linux-x86_64-8.9.0.131_cuda11-archive.tar.xz sudo cp cuda/include/* /usr/local/cuda/include/ sudo cp cuda/lib64/* /usr/local/cuda/lib64/ ``` 再次刷新动态链接器缓存使得新的.so文件被加载[^5]。 ```bash sudo ldconfig ``` ### 创建Conda虚拟环境并与PyTorch集成 创建一个新的Python conda environment用于隔离不同项目的依赖关系冲突问题。激活该env之后利用pip install torch torchvision torchaudio指令快速部署好支持GPU加速运算能力的PyTorch框架实例。 ```bash conda create --name pytorch_env python=3.9 conda activate pytorch_env pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118 ``` 至此完成了整个流程的操作指南介绍。