Linux深度学习环境全流程搭建指南

　　在开始搭建深度学习环境前，需确认系统为兼容的Linux发行版，推荐使用Ubuntu 20.04或以上版本。确保系统已更新至最新状态，执行命令 sudo apt update && sudo apt upgrade 完成基础包升级。

　　安装NVIDIA驱动是关键一步。通过 nvidia-smi 命令检查显卡是否被识别。若未安装驱动，可使用 Ubuntu 的“附加驱动”工具自动安装，或通过官方渠道下载对应版本的驱动包进行手动安装。安装完成后重启系统以使驱动生效。

　　接下来安装CUDA Toolkit。访问NVIDIA官网获取与显卡和驱动兼容的CUDA版本，例如11.8。使用apt安装：sudo apt install cuda-toolkit-11-8。配置环境变量，在 ~/.bashrc 文件中添加 export PATH=/usr/local/cuda-11.8/bin:$PATH，以及 export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH，然后运行 source ~/.bashrc 生效。

　　安装cuDNN时，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：sudo cp -r cuda/ /usr/local/cuda-11.8/。确保权限正确，避免后续报错。

　　创建并激活Python虚拟环境，使用 virtualenv 或 conda 管理依赖。推荐使用conda，执行 conda create -n dl_env python=3.9 并 activate dl_env 进入环境。在该环境下安装PyTorch，选择支持CUDA的版本，如 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118。

　　验证安装是否成功，启动Python，输入 import torch 与 print(torch.cuda.is_available())。若返回 True，说明GPU支持已启用。此时可尝试加载一个简单模型测试计算性能。

　　建议安装Jupyter Notebook以便交互式开发：pip install jupyter。启动服务后可通过浏览器访问，方便编写和展示代码。同时可配置VS Code远程连接服务器，提升开发体验。

2026AI模拟图，仅供参考

（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!