1. 环境准备与驱动安装刚装好的Ubuntu 22.04就像一张白纸要让它变身成AI开发利器第一步得搞定显卡驱动。我遇到过不少新手卡在这一步其实只要注意几个关键点就能避开90%的坑。先确认你的NVIDIA显卡型号是否支持550驱动。打开终端输入lspci | grep -i nvidia如果看到类似GeForce RTX 3060的输出说明显卡已被识别。接下来需要禁用系统自带的nouveau驱动这是很多安装失败的罪魁祸首。新建配置文件sudo nano /etc/modprobe.d/blacklist-nouveau.conf加入以下内容后保存blacklist nouveau options nouveau modeset0更新initramfs并重启sudo update-initramfs -u sudo reboot重启后别急着安装先检查nouveau是否真的被禁用lsmod | grep nouveau如果没有任何输出说明禁用成功。现在可以正式安装550驱动了我推荐使用官方仓库的方式wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt-get update sudo apt-get -y install cuda-drivers这个命令会自动安装550驱动及其依赖项。整个过程大约需要5-10分钟取决于你的网速。安装完成后一定要重启系统sudo reboot验证驱动是否安装成功nvidia-smi你应该能看到类似这样的输出----------------------------------------------------------------------------------------- | NVIDIA-SMI 550.54.15 Driver Version: 550.54.15 CUDA Version: 12.4 | |--------------------------------------------------------------------------------------- | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | || | 0 NVIDIA GeForce RTX 3060 Off | 00000000:01:00.0 Off | N/A | | 0% 38C P8 15W / 170W | 512MiB / 12288MiB | 2% Default | | | | N/A | ---------------------------------------------------------------------------------------特别注意右上角的Driver Version和CUDA Version确认驱动版本是550.xCUDA版本显示为12.4此时只是驱动支持该CUDA版本实际还未安装。2. CUDA Toolkit 12.4.1安装指南有了驱动基础现在安装CUDA Toolkit 12.4.1就轻松多了。这里有个常见误区很多人以为CUDA版本越高越好其实应该根据你用的深度学习框架版本来选择。PyTorch 2.3和TensorFlow 2.15都完美支持CUDA 12.4.1。安装核心组件只需一行命令sudo apt-get -y install cuda-toolkit-12-4这个命令会安装包括nvcc编译器、CUDA数学库、分析工具等完整工具链。安装过程会占用约5GB磁盘空间建议提前检查存储容量df -h /安装完成后关键的验证步骤是检查nvcc版本nvcc -V正确输出应显示nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2024 NVIDIA Corporation Built on Thu_Mar_28_02:18:24_PDT_2024 Cuda compilation tools, release 12.4, V12.4.131 Build cuda_12.4.r12.4/compiler.34097967_0我遇到过不少同学在这里遇到路径问题如果提示nvcc: command not found说明PATH环境变量没配置好。临时解决方案是export PATH/usr/local/cuda/bin:$PATH但更推荐永久生效的方案编辑~/.bashrc文件nano ~/.bashrc在文件末尾追加export PATH/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH保存后执行source ~/.bashrc3. 深度学习环境配置技巧驱动和CUDA都装好后还需要做些优化配置才能发挥最大性能。首先建议安装cuDNN这是NVIDIA提供的深度学习加速库sudo apt-get install cudnn9-cuda-12验证cuDNN是否安装成功cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2应该能看到类似输出#define CUDNN_MAJOR 9 #define CUDNN_MINOR 0 #define CUDNN_PATCHLEVEL 0接下来配置GPU计算相关的环境变量这对后续安装PyTorch/TensorFlow很重要。新建配置文件sudo nano /etc/profile.d/cuda.sh加入以下内容export CUDA_HOME/usr/local/cuda export PATH$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH$CUDA_HOME/lib64:$LD_LIBRARY_PATH export CUDNN_PATH/usr/lib/x86_64-linux-gnu保存后使配置生效source /etc/profile.d/cuda.sh我强烈推荐使用conda管理Python环境避免系统Python的版本冲突wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh安装完成后创建专用环境conda create -n ai python3.10 conda activate ai在这个环境中安装PyTorchpip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121验证PyTorch是否能识别GPUpython -c import torch; print(torch.cuda.is_available())看到True输出就说明大功告成4. 常见问题排查与优化即使按照步骤操作也可能遇到各种问题。这里分享几个我踩过的坑和解决方案。问题1安装驱动后无法进入图形界面这通常是因为驱动与桌面环境冲突。可以尝试sudo prime-select nvidia sudo reboot如果还不行可能需要卸载重装sudo apt purge nvidia* sudo apt install cuda-drivers问题2CUDA版本混乱有时系统里会残留旧版CUDA导致版本冲突。彻底清理的命令sudo apt remove --purge ^nvidia-.* sudo apt remove --purge ^cuda-.* sudo rm -rf /usr/local/cuda* sudo apt autoremove问题3GPU利用率低安装工具监控GPU状态sudo apt install nvidia-utils-550 nvidia-smi -l 1 # 实时监控GPU状态如果发现GPU利用率低可能需要检查CUDA内核编译选项调整批量大小(batch size)确保数据加载没有瓶颈性能优化建议启用持久化模式sudo nvidia-smi -pm 1调整电源模式为性能优先sudo nvidia-smi -ac 5001,1590在~/.bashrc中添加export TF_GPU_THREAD_MODEgpu_private export TF_USE_CUDNN_BATCHNORM_SPATIAL_PERSISTENT1最后提醒一点每次系统内核更新后可能需要重新安装驱动模块sudo apt install --reinstall cuda-drivers