Linux深度学习环境搭建全流程指南
|
Linux深度学习环境搭建需兼顾系统稳定性、硬件兼容性与开发效率。推荐使用Ubuntu 22.04 LTS或CentOS Stream 8作为基础系统，避免过新或过旧的内核导致驱动冲突。安装时勾选“安装第三方驱动”选项，确保NVIDIA显卡基础支持就绪。 驱动安装是关键前置步骤。访问NVIDIA官网下载与显卡型号匹配的.run驱动包（如535.104.05），禁用默认nouveau驱动：在/etc/modprobe.d/blacklist.conf中添加“blacklist nouveau”并执行update-initramfs -u。重启进入文本模式（Ctrl+Alt+F3），运行sudo bash ./NVIDIA-Linux-.run --no-opengl-files，跳过内置OpenGL安装以避免与桌面环境冲突。 CUDA Toolkit选择需与驱动版本严格对应。例如驱动535.x对应CUDA 12.2，从NVIDIA官网下载runfile安装包，执行sudo sh cuda_12.2.2_535.104.05_linux.run，取消勾选Driver安装（已手动安装），仅安装CUDA toolkit和cuDNN示例。安装完成后将/usr/local/cuda-12.2/bin加入PATH，/usr/local/cuda-12.2/lib64加入LD_LIBRARY_PATH，并写入~/.bashrc使配置生效。
AI绘图结果，仅供参考 Python环境建议使用miniconda而非系统Python，避免权限与依赖污染。下载Miniconda3最新版，运行bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3，再执行$HOME/miniconda3/bin/conda init bash。重启终端后创建独立环境：conda create -n dl python=3.9，conda activate dl。PyTorch与TensorFlow需通过官方渠道安装以保障CUDA支持。PyTorch官网提供适配CUDA 12.2的pip命令：pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121；TensorFlow则使用pip install tensorflow-cpu或tensorflow-gpu（注意TF 2.13+已原生支持CUDA 12，无需单独安装cuDNN）。验证时运行python -c "import torch; print(torch.cuda.is_available())"，输出True即成功。 工具链补全可提升开发体验。Jupyter Lab通过pip install jupyterlab启动；VS Code安装Python和Remote-SSH扩展，配合conda环境自动识别；nvtop替代top实时监控GPU内存与算力。若需多机训练，提前配置SSH无密登录与NFS共享数据目录。 最后进行端到端测试：下载小型MNIST训练脚本，设置device=torch.device("cuda")，观察GPU利用率是否跳升、训练速度是否显著快于CPU模式。常见问题包括libcudnn.so未找到（检查LD_LIBRARY_PATH）、CUDA_VISIBLE_DEVICES误设为-1、以及conda环境未激活导致pip安装到全局Python。记录每步命令与输出日志，便于回溯排查。 （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! |
