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桌面环境的版本，便于后续图形化操作。

2026AI模拟图，仅供参考

　　系统安装完成后，更新软件源并安装基础开发工具。执行命令 sudo apt update && sudo apt upgrade，确保系统处于最新状态。接着安装编译工具链：sudo apt install build-essential git curl vim -y，这些工具对后续安装深度学习框架至关重要。

　　接下来安装NVIDIA显卡驱动。若使用NVIDIA GPU，需先检查显卡型号，再通过Ubuntu自带的“软件和更新”中“附加驱动”选项安装官方驱动。安装后重启系统，运行 nvidia-smi 验证驱动是否正常工作。

　　CUDA Toolkit是深度学习的核心依赖。前往NVIDIA官网下载与显卡驱动兼容的CUDA版本（如11.8），使用wget下载安装包，然后通过sudo dpkg -i cuda-repo-.deb 安装，再执行sudo apt update && sudo apt install cuda -y。配置环境变量，在 ~/.bashrc 中添加 export PATH=/usr/local/cuda/bin:$PATH，export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH。

　　安装cuDNN库。从NVIDIA官网下载与CUDA版本匹配的cuDNN，解压后将文件复制到CUDA安装目录。例如：sudo cp -P lib64/libcudnn /usr/local/cuda/lib64/，并更新权限。

　　最后安装Python虚拟环境与深度学习框架。使用conda或pip创建虚拟环境：conda create -n dl python=3.9，activate dl。安装PyTorch或TensorFlow，推荐使用官方提供的CUDA版本命令，如 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118。

　　完成以上步骤后，可通过简单脚本测试GPU是否被正确调用。例如在Python中运行 import torch; print(torch.cuda.is_available())，若返回True，则环境搭建成功。整个过程约需30分钟，合理规划可高效完成。

（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!