1. 项目概述与核心价值在深度学习、计算机视觉或者高性能计算领域工作的朋友大概率都绕不开一个经典的“环境搭建”问题在Ubuntu系统上配置一套能调用NVIDIA GPU的完整开发环境。这个任务听起来简单但实际操作起来从显卡驱动到CUDA再到构建工具CMake每一步都可能藏着各种“坑”。特别是当你需要维护多个项目而这些项目又依赖不同版本的CUDA时如何优雅地管理和切换就成了一个必须掌握的技能。我见过太多新手包括几年前的我自己在这个环节上耗费数天时间反复重装系统最终可能还是没搞定。网上的教程虽然多但要么过于简略要么步骤不全或者环境一变就失效。今天我就以Ubuntu 20.04 LTS这个长期支持版为例把从零开始安装NVIDIA显卡驱动、CUDA Toolkit、CMake再到实现多版本CUDA自由切换的完整流程掰开揉碎了讲清楚。这不仅仅是一份操作清单更是一份融合了原理理解、避坑指南和最佳实践的“生存手册”。无论你是刚接触Linux的新手还是需要为团队搭建标准环境的老手跟着这篇教程走都能少走很多弯路。2. 环境准备与前置检查在动手安装任何软件之前充分的准备工作是成功的一半。盲目操作很可能导致系统无法进入图形界面或者驱动冲突那将是灾难性的。2.1 系统更新与必要组件安装首先确保你的系统是最新的。打开终端CtrlAltT执行以下命令sudo apt update sudo apt upgrade -y这个操作会更新软件包列表并升级所有可升级的包。-y参数表示自动确认避免中途需要手动输入。接下来安装一些编译驱动和CUDA可能需要的依赖库sudo apt install build-essentialbuild-essential是一个元包它包含了gcc,g,make等编译C/C程序所必需的工具链。没有它后续安装驱动或编译CUDA Samples可能会失败。注意如果你的Ubuntu是最小化安装的可能还需要安装linux-headers。不过在标准桌面版Ubuntu 20.04上build-essential通常已经足够。如果你在后续步骤中遇到关于内核头文件的错误可以再执行sudo apt install linux-headers-$(uname -r)。2.2 禁用系统自带的Nouveau驱动Ubuntu默认使用开源的Nouveau驱动来支持NVIDIA显卡。但在安装官方的NVIDIA驱动前必须禁用它否则会造成冲突。检查Nouveau是否正在运行lsmod | grep nouveau如果这条命令有输出比如显示nouveau说明它正在使用。创建黑名单配置文件sudo bash -c echo blacklist nouveau /etc/modprobe.d/blacklist-nouveau.conf sudo bash -c echo options nouveau modeset0 /etc/modprobe.d/blacklist-nouveau.conf这两条命令创建了一个配置文件告诉系统在启动时不要加载nouveau模块。更新initramfs并重启sudo update-initramfs -u sudo rebootupdate-initramfs命令会重新生成初始内存盘确保黑名单配置生效。必须重启。重启后验证 再次登录系统执行lsmod | grep nouveau。如果没有任何输出说明禁用成功。此时你的图形界面可能会变得分辨率很低或者使用LLVM软件渲染这是正常的因为我们还没安装新驱动。2.3 确定显卡型号与推荐驱动版本在安装驱动前最好先知道自己的显卡型号和官方推荐的驱动版本。查看显卡硬件信息如果Nouveau已禁用此命令可能无输出但可尝试lspci | grep -i nvidia这会输出你的NVIDIA显卡的PCI设备ID例如GeForce RTX 3080。前往NVIDIA官网查看推荐驱动 打开浏览器访问NVIDIA官方驱动下载页面。选择你的产品系列如GeForce RTX 30 Series、具体产品、操作系统Linux 64-bit和CUDA Toolkit版本如果你有特定需求。网站会给出一个推荐的驱动版本号例如470.xx.xx或510.xx.xx。记下这个版本号。更技术化一点的方法是你可以使用Ubuntu的ubuntu-drivers工具来查看可用的驱动sudo apt install ubuntu-drivers-common ubuntu-drivers devices这个命令会列出所有适用于你当前硬件的驱动包并标出推荐安装的版本。3. NVIDIA显卡驱动安装详解安装驱动有多种方法包括使用Ubuntu的附加驱动管理器、PPA源、或者直接运行NVIDIA官方.run文件。这里我推荐使用APT仓库安装这是最稳定、最易于管理尤其是后续更新和卸载的方式。3.1 添加官方NVIDIA驱动仓库并安装添加NVIDIA CUDA仓库它也包含驱动 首先我们需要将NVIDIA的官方CUDA仓库其中也包含了显卡驱动添加到系统的软件源中。这样我们就可以用apt来管理驱动了。# 首先安装添加仓库所需的工具 sudo apt install software-properties-common # 添加NVIDIA CUDA仓库的GPG密钥 wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb # 更新软件包列表 sudo apt update这里我们下载并安装了一个包含GPG密钥的deb包。这个密钥用于验证从NVIDIA仓库下载的软件包的真实性。安装驱动 现在你可以安装驱动了。有两种选择安装推荐版本直接安装ubuntu-drivers工具推荐的版本。sudo apt install nvidia-driver-XXX # 将XXX替换为推荐版本号如470安装特定版本如果你想安装CUDA Toolkit要求的特定版本例如CUDA 11.4要求驱动版本470.82.01可以指定版本号。sudo apt install nvidia-driver-470在安装过程中系统可能会提示你“Secure Boot”相关的问题。如果你的BIOS/UEFI启用了Secure Boot你需要为即将安装的NVIDIA驱动创建一个密码。请务必记住这个密码因为在安装完成后重启时系统会要求你输入它来注册新的MOKMachine Owner Key。如果不想设置可以在BIOS中暂时关闭Secure Boot安装完成后再开启会有些麻烦。重启系统sudo reboot3.2 安装后验证与问题排查重启后你的图形界面应该恢复正常甚至更好。现在来验证驱动是否安装成功。使用nvidia-smi命令 这是最直接的验证方式。在终端输入nvidia-smi你会看到一个表格显示了GPU的型号、驱动版本、CUDA版本这里是驱动内建的API版本不是我们后面要安装的CUDA Toolkit、GPU温度、显存使用情况等信息。如果这个命令能正常输出恭喜你驱动安装成功了查看系统设置 你也可以在“设置” - “关于” - “图形”中看到正在使用的显卡驱动信息。常见问题排查命令未找到如果nvidia-smi提示命令未找到可能是驱动没有正确安装或者安装的包不完整。尝试重新执行安装命令并确保没有错误信息。无输出或报错如果nvidia-smi没有任何输出或报错如NVIDIA-SMI has failed because it couldn‘t communicate with the NVIDIA driver最可能的原因是Nouveau驱动未完全禁用重新检查2.2节的步骤确保黑名单配置正确且已更新initramfs。内核模块未加载运行lsmod | grep nvidia如果没有输出尝试手动加载sudo modprobe nvidia。如果失败查看系统日志dmesg | grep nvidia获取详细错误。Secure Boot问题如果在启用Secure Boot的情况下安装重启后没有在蓝色MOK管理界面注册密钥驱动将无法加载。解决办法是重启电脑在出现主板Logo时快速按相应键如F2, F12, Del等因主板而异进入MOK管理界面选择“Enroll MOK”然后输入安装时设置的密码。分辨率问题如果分辨率仍然不对可以尝试在“设置”-“显示器”中调整或者安装nvidia-settings工具进行更详细的配置sudo apt install nvidia-settings然后运行sudo nvidia-settings。4. CUDA Toolkit安装与配置CUDA Toolkit是NVIDIA提供的用于GPU通用计算的开发平台。它包含了编译器、数学库、调试和优化工具等。注意nvidia-smi中显示的CUDA版本是驱动支持的最高CUDA API版本不代表你已经安装了CUDA Toolkit。4.1 选择与下载CUDA版本确定所需版本 你需要根据你将要运行的深度学习框架如TensorFlow, PyTorch或其它GPU应用的要求来选择CUDA版本。可以查阅这些框架的官方文档。例如PyTorch 1.12可能推荐CUDA 11.3或11.6。从NVIDIA官网下载 访问NVIDIA CUDA Toolkit下载页面。选择Operating System: LinuxArchitecture: x86_64Distribution: UbuntuVersion: 20.04Installer Type:runfile (local)我强烈建议选择runfile安装方式而不是deb。因为runfile方式允许更灵活地安装到自定义路径并且是实现多版本CUDA共存和切换的关键。例如你要下载CUDA 11.6页面会给出类似这样的命令wget https://developer.download.nvidia.com/compute/cuda/11.6.2/local_installers/cuda_11.6.2_510.47.03_linux.run将其复制到终端下载。4.2 使用Runfile安装CUDA赋予执行权限并运行chmod x cuda_11.6.2_510.47.03_linux.run sudo ./cuda_11.6.2_510.47.03_linux.run注意这里使用sudo。安装选项配置 运行后会出现一个基于ncurses的文本界面。你需要仔细阅读并选择首先会显示一份许可协议按空格键翻页输入accept同意。接下来是关键步骤取消勾选驱动安装。因为我们已经用apt安装了驱动这里再安装可能会引起冲突。在选项列表中使用方向键移动到Driver上按空格键取消选择前面的[X]会变成[ ]。确保CUDA Toolkit 11.6是被选中的。安装路径保持默认的/usr/local/cuda-11.6即可。这个路径是一个符号链接的实际目标。继续安装过程。环境变量配置 安装程序通常不会自动帮你配置用户的环境变量需要手动添加。编辑你的shell配置文件如果你用的是bash通常是~/.bashrc如果是zsh则是~/.zshrcnano ~/.bashrc在文件末尾添加以下行# CUDA 11.6 export PATH/usr/local/cuda-11.6/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.6/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}PATH让系统能在终端里找到CUDA的命令行工具如nvccCUDA编译器。LD_LIBRARY_PATH让系统在运行时能找到CUDA的共享库.so文件。保存文件后让配置立即生效source ~/.bashrc4.3 验证CUDA安装检查nvcc编译器nvcc --version这会输出CUDA编译器的版本信息应与安装的CUDA Toolkit版本一致。编译并运行CUDA Samples 虽然安装包里有Samples但有时需要手动编译来测试。你可以从NVIDIA官网下载对应版本的CUDA Samples或者使用已安装的如果选择了安装Samples。更简单的方法是使用一个简单的测试程序 创建一个文件test_cuda.cu#include stdio.h #include cuda_runtime.h int main() { int deviceCount 0; cudaError_t error_id cudaGetDeviceCount(deviceCount); if (error_id ! cudaSuccess) { printf(cudaGetDeviceCount returned %d\n- %s\n, (int)error_id, cudaGetErrorString(error_id)); return 1; } if (deviceCount 0) { printf(No CUDA-capable devices found.\n); } else { printf(Found %d CUDA Capable device(s).\n, deviceCount); } printf(CUDA test passed!\n); return 0; }编译并运行nvcc test_cuda.cu -o test_cuda ./test_cuda如果输出显示找到了GPU设备并打印成功信息说明CUDA安装和配置完全正确。5. CMake的安装与使用基础CMake是一个跨平台的自动化构建系统生成器。很多C/C项目特别是大型开源项目如OpenCV, PCL, ROS等都使用CMake来管理构建过程。5.1 安装CMakeUbuntu 20.04的默认软件源中包含的CMake版本可能比较旧如3.16。对于一些新项目可能需要更高版本。我们可以通过Kitware的官方APT仓库来安装较新的稳定版本。卸载旧版本可选sudo apt remove --purge cmake添加Kitware仓库并安装# 安装依赖 sudo apt install -y software-properties-common lsb-release ca-certificates # 下载并安装Kitware的GPG密钥 wget -O - https://apt.kitware.com/keys/kitware-archive-latest.asc 2/dev/null | gpg --dearmor - | sudo tee /etc/apt/trusted.gpg.d/kitware.gpg /dev/null # 添加仓库 sudo apt-add-repository deb https://apt.kitware.com/ubuntu/ $(lsb_release -cs) main # 更新并安装 sudo apt update sudo apt install cmake验证安装cmake --version这会输出CMake的版本号例如cmake version 3.25.2。通过此方法安装的版本通常能满足绝大多数需求。5.2 CMake基础使用流程理解CMake的基本工作流对于后续配置各种项目至关重要。它通常遵循“配置-生成-构建”三步。准备CMakeLists.txt 这是CMake的“食谱”定义了项目的名称、需要的编译器、包含的源文件、依赖的库等。它由项目开发者提供。配置Configure 在项目根目录包含CMakeLists.txt的目录下创建一个构建目录通常叫build并进入mkdir build cd build然后运行cmake进行配置指定源代码路径..表示上一级目录和可能的生成器如Unix Makefilescmake ..这个过程会检查系统环境编译器、库路径等并根据CMakeLists.txt生成对应的构建文件如Makefile。生成构建系统与编译Build 配置成功后在build目录下使用make命令进行编译make -j$(nproc)-j$(nproc)表示使用所有可用的CPU核心并行编译能显著加快速度。安装可选 如果需要将编译好的库或可执行文件安装到系统目录如/usr/local可以运行sudo make install实操心得永远在单独的build目录中进行构建这被称为“out-of-source build”。这样做的好处是构建产生的所有临时文件、目标文件都集中在build目录下与源代码分离。如果你想清空所有构建文件直接删除build文件夹即可非常干净不会污染源代码目录。这也是为什么你经常在教程里看到mkdir build cd build cmake ..这个组合命令的原因。6. 多版本CUDA共存与灵活切换方案这是本教程的精华部分。在实际开发中不同项目可能依赖不同版本的CUDA。重装系统或覆盖安装CUDA是下下策。我们需要一种能随时切换版本的优雅方案。6.1 多版本CUDA的安装重复第4章的步骤使用runfile方式安装另一个版本的CUDA Toolkit。例如你已经安装了CUDA 11.6在/usr/local/cuda-11.6现在再安装CUDA 10.2。从官网下载CUDA 10.2的runfile安装包。同样运行安装时务必取消勾选Driver。将CUDA 10.2安装到/usr/local/cuda-10.2。现在你的/usr/local目录下应该有两个文件夹cuda-11.6和cuda-10.2。同时你会注意到还有一个名为cuda的符号链接symlink它默认指向你最后安装的那个版本比如cuda-11.6。这个cuda链接是系统寻找CUDA的默认路径。6.2 基于环境变量的动态切换方案最推荐的方法是通过修改用户的环境变量PATH和LD_LIBRARY_PATH来切换。这样切换只对当前终端会话或用户生效不会影响系统其他用户。你可以创建几个简单的shell脚本来实现快速切换。创建切换脚本 在你的家目录下~创建一个工具文件夹比如~/cuda_switcher并在里面创建脚本。mkdir -p ~/cuda_switcher cd ~/cuda_switcher创建切换到CUDA 11.6的脚本cuda116.sh#!/bin/bash export CUDA_HOME/usr/local/cuda-11.6 export PATH$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH$CUDA_HOME/lib64:$LD_LIBRARY_PATH echo Switched to CUDA 11.6 nvcc --version创建切换到CUDA 10.2的脚本cuda102.sh#!/bin/bash export CUDA_HOME/usr/local/cuda-10.2 export PATH$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH$CUDA_HOME/lib64:$LD_LIBRARY_PATH echo Switched to CUDA 10.2 nvcc --version给脚本添加执行权限chmod x cuda116.sh cuda102.sh使用切换脚本 当你在终端中需要某个版本的CUDA时只需source对应的脚本source ~/cuda_switcher/cuda116.sh执行后当前终端会话的nvcc --version就会显示CUDA 11.6。新开一个终端则还是恢复为~/.bashrc中设置的默认版本。注意source命令也可以用.如. ~/cuda_switcher/cuda116.sh是在当前shell环境中执行脚本因此环境变量的修改会生效。如果直接用./cuda116.sh执行环境变量的修改只会在子进程中生效退出脚本后当前终端的环境并未改变。6.3 修改系统级符号链接谨慎操作另一种方法是修改/usr/local/cuda这个符号链接的指向。这会影响所有使用默认/usr/local/cuda路径的用户和程序。查看当前链接ls -l /usr/local/cuda输出类似lrwxrwxrwx ... cuda - cuda-11.6。切换链接sudo rm /usr/local/cuda # 删除旧链接 sudo ln -s /usr/local/cuda-10.2 /usr/local/cuda # 创建新链接指向10.2然后你需要注销并重新登录或者至少重启所有依赖CUDA的应用程序包括终端才能使更改生效。警告这种方法虽然“一劳永逸”但不够灵活且可能影响其他正在运行的程序。更推荐使用基于环境变量的方案它为每个终端或项目提供了独立的配置空间。6.4 在CMake项目中指定CUDA路径如果你使用CMake管理项目可以在调用cmake时直接指定CUDA Toolkit的路径这样即使系统环境变量指向其他版本该项目也会使用你指定的版本。mkdir build cd build cmake -D CMAKE_CUDA_COMPILER/usr/local/cuda-11.6/bin/nvcc ..或者更规范地设置CUDAToolkit_ROOT变量cmake -D CUDAToolkit_ROOT/usr/local/cuda-11.6 ..这样CMake会在指定的路径下查找CUDA的所有组件头文件、库等完全隔离了系统环境。7. 深度学习环境配置延伸CUDNN与虚拟环境一个完整的GPU开发环境除了驱动和CUDA通常还包括cuDNN用于深度神经网络的GPU加速库以及Python虚拟环境管理。7.1 cuDNN的安装cuDNN是NVIDIA提供的深度神经网络加速库。它的安装本质上是将一些头文件和库文件复制到CUDA Toolkit的目录中。下载前往NVIDIA cuDNN官网需要注册账号。选择与你安装的CUDA版本对应的cuDNN版本。例如对于CUDA 11.x可以选择cuDNN 8.x。下载“Local Installer for Linux (x86_64)”的tar包例如cudnn-linux-x86_64-8.x.x.x_cuda11.x-archive.tar.xz。安装# 解压下载的tar包 tar -xvf cudnn-linux-x86_64-8.x.x.x_cuda11.x-archive.tar.xz # 复制文件到CUDA目录假设你的CUDA安装在/usr/local/cuda-11.6 sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.6/include/ sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.6/lib64/ sudo chmod ar /usr/local/cuda-11.6/include/cudnn*.h /usr/local/cuda-11.6/lib64/libcudnn*注意将路径/usr/local/cuda-11.6替换为你实际安装的CUDA路径。验证由于cuDNN是运行时库没有直接的可执行文件验证。你可以通过后续深度学习框架如PyTorch是否能正常调用GPU来间接验证。7.2 使用Conda虚拟环境管理Python依赖强烈建议使用Anaconda或Miniconda来创建独立的Python虚拟环境为不同项目隔离不同的包版本包括PyTorch、TensorFlow及其对应的CUDA版本。安装Minicondawget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh按照提示安装安装完成后重启终端或运行source ~/.bashrc。创建并激活环境conda create -n my_pytorch_env python3.8 conda activate my_pytorch_env在虚拟环境中安装PyTorch 访问PyTorch官网使用其提供的安装命令。例如为CUDA 11.6安装PyTorchconda install pytorch torchvision torchaudio cudatoolkit11.6 -c pytorch -c conda-forge关键点这里的cudatoolkit11.6是Conda提供的、与系统CUDA隔离的迷你版CUDA运行时。只要你的系统NVIDIA驱动版本足够高支持CUDA 11.6的APIPyTorch就能通过这个conda安装的cudatoolkit调用GPU无需与系统安装的CUDA 11.6 Toolkit产生直接路径关联。这是管理多CUDA版本最省心的方式。验证PyTorch能否使用GPUpython -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果输出True说明一切正常。8. 常见问题与深度排查指南即使按照教程操作你也可能遇到一些意外情况。这里汇总了一些典型问题及其解决方案。8.1 驱动安装失败或启动后进入黑屏/循环登录这是最常见也最令人头疼的问题。原因通常是由于驱动版本与内核版本不兼容或与系统已有的图形组件如Xorg冲突。解决方案进入恢复模式/文本模式在GRUB启动菜单开机时按Shift或Esc选择“Advanced options for Ubuntu”然后选择一个带(recovery mode)的内核启动。在恢复菜单中选择root进入命令行。彻底卸载NVIDIA驱动sudo apt purge nvidia-* sudo apt autoremove重新安装可以尝试安装一个更低版本或更高版本的驱动。有时使用ubuntu-drivers autoinstall让系统自动选择可能更稳妥。sudo ubuntu-drivers autoinstall检查lightdm/gdm3如果你使用的是Ubuntu桌面版显示管理器可能是gdm3。在恢复模式的root下可以尝试重新配置它sudo dpkg-reconfigure gdm3 # 或者如果你用的是lightdm sudo dpkg-reconfigure lightdm然后选择默认的显示管理器。更新内核有时更新到更新的内核版本能解决兼容性问题。sudo apt install linux-generic-hwe-20.04 sudo reboot8.2nvcc --version与nvidia-smi显示的CUDA版本不一致现象nvidia-smi显示CUDA 12.0但nvcc --version显示CUDA 11.6。解释这是完全正常的也是初学者容易困惑的点。nvidia-smi显示的“CUDA Version”是当前NVIDIA驱动所支持的最高CUDA运行时API版本。它由驱动决定。nvcc --version显示的是你实际安装的CUDA Toolkit编译器的版本。只要nvcc的版本即你开发编译用的工具链不高于nvidia-smi显示的版本即驱动支持的版本你的程序就能正常运行。例如驱动支持12.0你可以安装并使用11.6的CUDA Toolkit进行开发。8.3 CMake找不到CUDAfind_package(CUDA)失败原因CMake在默认路径下找不到CUDA。可能因为你通过环境变量切换了版本但CMake缓存CMakeCache.txt还记录着旧的路径。解决方案清除CMake缓存最彻底的方法是删除build目录重新创建并运行cmake。rm -rf build mkdir build cd build cmake ..在CMake命令中显式指定路径如6.4节所述使用-D CUDAToolkit_ROOT/path/to/cuda。确保环境变量生效如果你用脚本切换了CUDA版本确保是在运行cmake之前source了脚本。或者将CUDA路径直接写入用于启动IDE如CLion的终端配置中。8.4 编译CUDA程序时出现“unsupported GNU version”错误现象使用nvcc编译时报错“The version of GCC (/usr/bin/gcc) is 9.x, which is not supported by CUDA x.x. Supported versions are...”。原因CUDA Toolkit对宿主机的GCC编译器版本有特定要求。例如CUDA 10.x通常要求GCC 7。解决方案安装指定版本的GCC例如安装GCC 7。sudo apt install gcc-7 g-7在编译时指定编译器使用nvcc的-ccbin选项。nvcc -ccbin gcc-7 your_file.cu -o your_program临时切换默认GCC版本不推荐永久修改以免影响其他程序sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 70 sudo update-alternatives --install /usr/bin/g g /usr/bin/g-7 70 # 切换 sudo update-alternatives --config gcc sudo update-alternatives --config g完成CUDA程序编译后可以再切换回来。8.5 系统升级如20.04升22.04后的CUDA问题警告跨大版本升级系统如20.04到22.04极有可能破坏现有的NVIDIA驱动和CUDA环境因为内核和核心库版本发生了巨大变化。建议备份重要数据。在升级前记录下当前成功的驱动和CUDA版本号。做好重装驱动和CUDA的心理准备。更稳妥的做法是在新系统上从头开始按照本教程配置环境而不是依赖升级后的残留。如果必须升级升级后首先尝试彻底重装驱动使用apt purge清理旧驱动后再装新驱动。CUDA Toolkit很可能需要重新安装runfile。配置Linux下的GPU开发环境就像一次精细的手工活每一步的严谨都能避免后续无数的麻烦。核心思路可以总结为驱动用系统包管理aptCUDA用runfile安装到独立目录通过环境变量或conda实现版本切换CMake作为构建工具保持独立配置。这套组合拳打下来无论是单版本使用还是多版本维护都能做到游刃有余。最后记住遇到问题先看日志dmesg,/var/log/syslog善用搜索理解错误信息背后的原因远比盲目尝试各种命令更有效。
