经常要在Ubuntu上配置CUDA的运行环境，这里记录下避免之后忘记。
在 Ubuntu 上配置 CUDA 环境，通常需要以下几个步骤：
- 检查系统需求和安装前的准备
- 安装 NVIDIA 驱动
- 安装 CUDA 工具包
- 配置环境变量
- 验证 CUDA 安装
- （可选）安装 cuDNN（用于深度学习）
1. 检查系统需求和准备工作
在安装 CUDA 之前，确保以下事项：
- 你使用的 Ubuntu 版本支持 CUDA。可以查看 NVIDIA CUDA 官方文档 获取兼容的操作系统列表。
- NVIDIA 显卡支持 CUDA（一般来说，较新的 NVIDIA 显卡都支持）。
建议你先删除任何旧版本的驱动程序或 CUDA 软件包，以避免冲突：
sudo apt-get --purge remove "*nvidia*"
2. 安装 NVIDIA 驱动
你可以使用 Ubuntu 的包管理器来自动安装适合的 NVIDIA 驱动。
- 首先，更新系统软件包：
sudo apt update sudo apt upgrade - 启用 Ubuntu 的驱动程序仓库：
sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update - 检查可用的 NVIDIA 驱动：
ubuntu-drivers devices这将列出系统支持的 NVIDIA 驱动版本。 - 安装推荐的 NVIDIA 驱动程序（例如
nvidia-driver-xxx，其中xxx是版本号）：sudo apt install nvidia-driver-xxx例如，如果推荐安装nvidia-driver-470，则命令为：sudo apt install nvidia-driver-470安装完成后，重新启动计算机： sudo reboot
3. 安装 CUDA 工具包
- 下载 CUDA 工具包：访问 NVIDIA CUDA Toolkit 下载页面，选择你的 Ubuntu 版本并复制对应的安装命令。以 CUDA 12.0 为例，使用以下步骤：
- 添加 CUDA 存储库和 GPG 密钥： 根据官网提供的命令，运行以下命令来添加 CUDA 存储库：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600添加 GPG 密钥：sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub - 安装 CUDA： 安装完 GPG 密钥后，添加 CUDA 存储库并安装 CUDA 工具包：
sudo apt update sudo apt install cuda - 重启系统： 安装完成后，重新启动系统：
sudo reboot
4. 配置环境变量
为了让系统可以找到 CUDA 工具和库，需要配置环境变量。
- 打开终端，编辑
.bashrc文件：nano ~/.bashrc - 在文件的末尾添加以下几行（请根据实际安装路径调整，通常路径是
/usr/local/cuda-<version>）：export PATH=/usr/local/cuda/bin:$PATH exportLD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH - 保存并关闭文件，然后使更改生效：
source ~/.bashrc
5. 验证 CUDA 安装
- 检查 CUDA 版本： 使用以下命令来验证 CUDA 是否安装成功：
nvcc --version你应该看到类似以下的输出，显示 CUDA 版本信息：nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2023 NVIDIA Corporation Built on Thu_May_25_19:08:35_PDT_2023 Cuda compilation tools, release 12.0, V12.0.194 - 运行示例代码： CUDA 工具包中通常包含示例代码，可以使用这些示例来测试是否成功安装。先导航到 CUDA 安装目录的示例文件夹：
cd /usr/local/cuda/samples/1_Utilities/deviceQuery然后编译并运行deviceQuery：sudo make ./deviceQuery如果输出显示 GPU 设备的详细信息，说明安装成功。示例输出：./deviceQuery Starting... CUDA Device Query (Runtime API) version (CUDART static linking) Detected 1 CUDA Capable device(s) Device 0: "GeForce GTX 1050" CUDA Driver Version / Runtime Version 11.0 / 11.0 Total amount of global memory: 4041 MBytes (4235358208 bytes) (6) Multiprocessors, (128) CUDA Cores/MP: 768 CUDA Cores
6. （可选）安装 cuDNN
cuDNN 是 NVIDIA 的深度学习加速库。如果你计划在 GPU 上运行深度学习框架（如 TensorFlow、PyTorch），建议安装 cuDNN。
- 下载 cuDNN： 从 NVIDIA 官网 cuDNN 下载页面 下载与你的 CUDA 版本匹配的 cuDNN。
- 解压并安装： 下载的文件是
.tar格式。解压后，将 cuDNN 文件复制到 CUDA 目录中：tar -xzvf cudnn-<version>-linux-x64-v<version>.tgz sudo cp cuda/include/cudnn*.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn* - 验证 cuDNN 安装： 检查 cuDNN 版本：
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2如果输出了版本号，说明 cuDNN 安装成功。
总结
- 安装 NVIDIA 驱动：确保显卡驱动正确安装。
- 安装 CUDA 工具包：下载并配置好 CUDA 工具包。
- 配置环境变量：设置 CUDA 的
PATH和LD_LIBRARY_PATH。 - 验证安装：使用
nvcc和示例代码来验证安装是否成功。
本文转载自: https://blog.csdn.net/weixin_52190646/article/details/142789911
版权归原作者 一步步走 所有， 如有侵权，请联系我们删除。
版权归原作者 一步步走 所有， 如有侵权，请联系我们删除。