Linux深度学习环境搭建全攻略

　　搭建Linux深度学习环境的第一步是选择合适的发行版。推荐使用Ubuntu 20.04或22.04，它们拥有良好的社区支持和丰富的软件包资源。安装时建议选择带有图形界面的版本，便于后续操作。

　　系统安装完成后，更新软件源并升级所有包。打开终端，执行命令：sudo apt update && sudo apt upgrade -y。这一步确保系统基础组件为最新状态，避免后续依赖冲突。

　　接下来安装NVIDIA显卡驱动。若使用NVIDIA GPU，需确认显卡型号，并通过Ubuntu自带的“软件与更新”工具中“附加驱动”选项安装官方驱动。也可使用命令行：sudo ubuntu-drivers autoinstall，自动完成安装。

　　安装CUDA Toolkit是关键步骤。前往NVIDIA官网下载对应版本的CUDA Toolkit，推荐使用11.8或12.1版本。通过deb包安装：sudo dpkg -i cuda-repo-.deb，再运行sudo apt update和sudo apt install cuda-toolkit-xxx -y。安装后验证：nvcc -V，查看版本信息是否正确。

　　然后配置cuDNN。从NVIDIA官网下载与CUDA版本匹配的cuDNN库，解压后将文件复制到CUDA安装目录下（如/usr/local/cuda/）。设置环境变量：在 ~/.bashrc 文件中添加 export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH，保存后运行 source ~/.bashrc。

　　Python环境搭建方面，推荐使用Anaconda或Miniconda。安装Miniconda后，创建独立的深度学习环境：conda create -n dl_env python=3.9，激活环境：conda activate dl_env。

　　在虚拟环境中安装主流深度学习框架。以PyTorch为例，使用官方命令安装：conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia。TensorFlow用户可使用pip install tensorflow-gpu，系统会自动适配CUDA支持。

2026AI模拟图，仅供参考

　　测试环境是否正常。编写一个简单的Python脚本，导入torch，检查是否有GPU支持：print(torch.cuda.is_available())。若返回True，说明环境已成功配置。

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!