ubantu20.04安装pytorch

### 配置 CUDA 和 GCC 9.4 的共存 在 Ubuntu 20.04 中，为了使 CUDA 能够与 GCC 9.4 正确共存，需要注意以下几点： #### 系统依赖和准备 确保系统已更新至最新状态，并安装必要的构建工具： ```bash sudo apt update && sudo apt upgrade -y sudo apt install build-essential software-properties-common -y ``` #### 安装 GCC 9.4 虽然 Ubuntu 20.04 默认提供 GCC 9.x 版本，但如果需要指定版本（如 GCC 9.4），可以通过以下方式安装： ```bash sudo apt install gcc-9 g++-9 -y ``` 这一步会安装 GCC 9 和 G++ 9 到系统中[^1]。 #### 设置默认 GCC 版本 为了避免影响系统的稳定性，在编译 TensorFlow 或其他项目时可以临时切换到 GCC 9.4。如果确实需要全局修改，默认情况下不建议直接替换系统自带的 GCC 版本。通过 `update-alternatives` 工具管理多个 GCC 版本是一个安全的选择： ```bash sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 90 --slave /usr/bin/g++ g++ /usr/bin/g++-9 sudo update-alternatives --config gcc ``` 此时可以选择 GCC 9 作为当前使用的版本[^2]。 #### 安装 NVIDIA CUDA Toolkit 下载适合的操作系统架构对应的 CUDA 套件。对于 Ubuntu 20.04，推荐使用官方支持的版本。例如，CUDA 11.x 是常见的稳定版之一。执行如下命令完成安装： ```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 sudo apt-get install -y cuda ``` 完成后重启计算机或将路径加入环境变量以便立即生效： ```bash export PATH=/usr/local/cuda-11.7/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH echo 'export PATH=/usr/local/cuda-11.7/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc ``` #### 编译 TensorFlow 使用自定义 GCC 当需要编译 TensorFlow 时，可通过设置环境变量强制其使用特定版本的 GCC： ```bash CC=gcc-9 CXX=g++-9 python configure.py bazel build --config=opt --cxxopt="-D_GLIBCXX_USE_CXX11_ABI=0" //tensorflow/tools/pip_package:build_pip_package ``` 这里 `-D_GLIBCXX_USE_CXX11_ABI=0` 参数用于解决 ABI 不兼容问题。 --- ### 注意事项 尽管可以在 Ubuntu 上同时存在多个 GCC 版本，但在实际操作过程中应谨慎处理默认版本变更带来的潜在风险。尤其是在涉及 GPU 加速框架（如 TensorFlow、PyTorch）以及底层驱动程序的情况下，保持一致性和测试验证尤为重要。

### 如何在 Ubuntu 20.04 上部署预配置的开发环境 #### 准备工作 为了确保顺利部署预配置的开发环境，在开始之前需确认系统已更新至最新状态。可以通过执行以下命令来完成系统的全面升级： ```bash sudo apt update && sudo apt upgrade -y ``` #### 部署 Python 环境 对于希望安装特定版本如 Python 3.9 的用户来说，可以利用官方仓库或第三方 PPA 来获取并安装所需版本。具体操作如下所示[^1]： ```bash sudo add-apt-repository ppa:deadsnakes/ppa sudo apt install python3.9-full ``` #### 设置 Java 开发环境 针对 Java 开发者而言，除了通过 APT 包管理器直接安装 OpenJDK 外，还可以手动下载 Oracle JDK 并按照个人需求定制化路径变量。这里给出一种常见的做法是编辑 `~/.bashrc` 文件加入必要的环境变量定义[^5]。 ```bash echo "export JAVA_HOME=/path/to/your/jdk" >> ~/.bashrc source ~/.bashrc ``` 请注意替换 `/path/to/your/jdk` 为实际解压后的 JDK 路径位置。 #### 构建 YOLOv5 运行所需的依赖项 如果目标是在 Ubuntu 20.04 中构建用于物体检测的应用程序，则可能需要用到像 Darknet 或 PyTorch 版本的YOLO模型框架之一。此时建议采用 Anaconda 创建独立的工作空间以便更好地管理和隔离不同项目之间的库文件冲突问题[^4]。 ```bash conda create -n yolov5_env python=3.8 conda activate yolov5_env pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt ``` 以上过程涵盖了从基础操作系统准备直到高级机器学习工具链搭建的一系列步骤，旨在帮助开发者快速建立起适合各自应用场景的技术栈组合方案。