尧图网站建设 免费方案咨询
ARTICLE DETAIL

资讯详情

深耕网站建设、视觉设计与SEO优化的一线实战洞察。

首页/资讯中心/资讯详情

Ubuntu 20.04通过Deb包安装CUDA 12.x与cuDNN：避坑指南与最佳实践

发布时间：2026/8/13 3:43:55 尧图网站建设
Ubuntu 20.04通过Deb包安装CUDA 12.x与cuDNN：避坑指南与最佳实践

1. 项目缘起：为什么选择Deb包安装CUDA？

在深度学习或者高性能计算领域，NVIDIA的CUDA和cuDNN是绕不开的两座大山。很多刚入门的朋友，包括一些有一定经验的开发者，在Ubuntu这类Linux系统上配置环境时，常常会一头扎进NVIDIA官网，然后被各种.run安装器、网络安装包、版本依赖搞得晕头转向。尤其是当你按照某些教程，使用.run文件安装CUDA时，一个不小心就可能把系统自带的Nouveau驱动给冲了，或者导致图形界面崩溃，只能对着黑屏的命令行发呆。

我自己就踩过这个坑。有一次为了赶项目进度，在Ubuntu 20.04上直接用.run文件装CUDA 11，结果安装程序“贴心”地帮我覆盖了系统驱动，重启之后直接进了tty命令行，图形界面消失得无影无踪。那次折腾了大半天才恢复过来。后来我发现，对于Ubuntu这类基于Debian的系统，使用官方提供的.deb包来安装CUDA，才是更稳妥、更“系统友好”的方式。

简单来说，.deb包安装就像是通过系统的“应用商店”来安装软件。它会将CUDA的库、头文件、工具链等，以符合Debian/Ubuntu软件包管理规范的方式部署到系统中，并且能很好地处理与其他系统组件的依赖关系。而.run文件更像是一个“绿色安装包”，它会把所有东西打包塞进你指定的目录（通常是/usr/local/cuda-xx.x），但有时会过于“霸道”，容易引发冲突。

所以，这篇内容就是来分享如何在Ubuntu 20.04 LTS上，通过.deb包这种更优雅的方式来安装CUDA 12.x和对应的cuDNN。这个方法逻辑清晰，步骤明确，对系统侵入性小，即便是刚接触Linux的“宝宝”们，跟着步骤一步步来，也能顺利搭建起自己的深度学习环境。我们目标是：一次成功，远离黑屏。

2. 安装前的核心准备工作：理清概念与检查环境

在动手之前，我们必须把几个关键概念和系统状态搞清楚。这就像盖房子前要勘测地质一样，能避免很多后续的麻烦。

2.1 CUDA Toolkit、驱动与cuDNN的关系

很多人容易混淆这几个概念，我们先来理一理：

  • NVIDIA显卡驱动：这是让你的操作系统能够识别和使用NVIDIA显卡的底层软件。没有它，你的显卡就是一块高级砖头。我们常说的nvidia-smi命令就是由它提供的。
  • CUDA Toolkit：这是一个由NVIDIA提供的软件开发工具包。它包含了：
    • CUDA编译器（nvcc）：用于编译你写的CUDA C/C++代码。
    • CUDA运行时库（libcudart）：为CUDA程序提供运行时的支持。
    • 各种工具和库：如性能分析器nvprof、调试器cuda-gdb，以及数学库cuBLAS、cuFFT等。
  • cuDNN：全称CUDA Deep Neural Network library。这是一个专门为深度学习优化的GPU加速库。像TensorFlow、PyTorch这些框架，它们的底层卷积、池化等操作，很多都是调用cuDNN来实现的。cuDNN必须和特定版本的CUDA Toolkit配套使用。

它们三者的关系可以简单理解为：驱动是地基，CUDA Toolkit是建筑工具和材料，cuDNN是针对“深度学习”这个特定装修需求的豪华工具箱。你需要先打好地基（装驱动），然后准备好通用工具（CUDA Toolkit），最后再配置专用工具箱（cuDNN）。

注意：通过.deb包安装CUDA时，通常会包含一个与该CUDA版本兼容的NVIDIA驱动。这意味着我们可能不需要单独安装驱动，安装过程会一并处理。这是.deb安装的一大优势。

2.2 系统环境检查清单

在下载任何安装包之前，请务必完成以下检查：

  1. 确认系统架构： 打开终端，输入：

    uname -m

    对于大多数现代电脑，输出应该是x86_64（即64位系统）。这是下载对应安装包的前提。

  2. 检查当前NVIDIA驱动（如果有）： 输入：

    nvidia-smi

    如果系统已经安装了NVIDIA驱动，这个命令会显示显卡信息、驱动版本和CUDA版本。这里显示的CUDA版本是驱动所能支持的最高CUDA版本，不代表你已经安装了CUDA Toolkit。记下这个驱动版本号。如果命令报错（Command ‘nvidia-smi’ not found），说明没有安装专有驱动，可能在使用开源驱动nouveau，这没关系，.deb安装包会处理。

  3. 卸载可能存在的旧版本CUDA（非必须，但建议）： 如果你之前通过其他方式（比如.run文件）安装过CUDA，为了干净起见，可以尝试卸载。但.deb方式管理更规范，冲突概率小。如果你不确定，可以跳过此步，让新安装过程去覆盖或升级。 如果是用.run文件安装的，可以运行：

    sudo /usr/local/cuda-xx.x/bin/cuda-uninstaller # 将xx.x替换为你的旧版本号

    或者直接删除目录：

    sudo rm -rf /usr/local/cuda # 这是一个软链接 sudo rm -rf /usr/local/cuda-xx.x # 这是具体版本目录

  4. 禁用开源Nouveau驱动（关键步骤）： 这是避免安装过程中出现冲突或失败的重要一步。Ubuntu默认使用开源的Nouveau驱动来驱动NVIDIA显卡，但它与NVIDIA官方驱动不兼容。

    • 创建配置文件：
      sudo vim /etc/modprobe.d/blacklist-nouveau.conf
      （如果不会用vim，可以用sudo gedit /etc/modprobe.d/blacklist-nouveau.conf）
    • 在文件中添加以下两行内容：
      blacklist nouveau options nouveau modeset=0
    • 保存并退出编辑器。
    • 更新内核initramfs：
      sudo update-initramfs -u
    • 重启系统。重启后，Nouveau驱动将被禁用。你可以通过以下命令验证是否已禁用：
      lsmod | grep nouveau
      如果没有输出任何内容，说明禁用成功。

完成以上准备工作，我们的“地基”就算勘察和清理完毕了，可以开始正式“施工”。

3. 实战步骤一：通过Deb包安装CUDA 12.x

这里我们以CUDA 12.4为例（请以NVIDIA官网最新稳定版为准），演示完整的安装过程。

3.1 从NVIDIA官网获取正确的Deb包安装指令

不要盲目搜索下载链接，最可靠的方式是直接从官网获取针对你系统的安装命令。

  1. 访问 NVIDIA CUDA Toolkit 官网（搜索 “CUDA Toolkit Archive” 可以找到历史版本页面，选择12.x的最新版，例如12.4）。

  2. 在选择界面，按如下方式勾选：

    • Operating System: Linux
    • Architecture: x86_64
    • Distribution: Ubuntu
    • Version: 20.04
    • Installer Type: deb (network) “deb (network)” 指的是通过网络安装的deb包，它会从NVIDIA仓库下载，能更好地管理依赖。这是推荐的方式。

  3. 官网会生成一个安装指南，其中包含类似下面的命令块。请务必复制你在官网上看到的完整命令，不要直接使用我下面例子中的版本号，因为版本可能会更新。

    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 wget https://developer.download.nvidia.com/compute/cuda/12.4.0/local_installers/cuda-repo-ubuntu2004-12-4-local_12.4.0-550.54.14-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu2004-12-4-local_12.4.0-550.54.14-1_amd64.deb sudo cp /var/cuda-repo-ubuntu2004-12-4-local/cuda-*-keyring.gpg /usr/share/keyrings/ sudo apt-get update sudo apt-get -y install cuda-toolkit-12-4

3.2 逐行执行安装命令并理解其含义

现在，我们打开终端，逐条执行从官网复制的命令，并了解每一步在做什么：

  1. 下载并设置软件包优先级（Pin）文件：

    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
    • wget下载一个名为cuda-ubuntu2004.pin的文件。这个文件的作用是告诉系统的APT包管理器：“当从其他仓库也有CUDA相关包时，优先使用NVIDIA官方仓库的版本”。这能防止系统自动更新时被其他源覆盖。
    • sudo mv将这个pin文件移动到/etc/apt/preferences.d/目录下，使其生效。

  2. 下载并安装本地仓库包：

    wget https://developer.download.nvidia.com/compute/cuda/12.4.0/local_installers/cuda-repo-ubuntu2004-12-4-local_12.4.0-550.54.14-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu2004-12-4-local_12.4.0-550.54.14-1_amd64.deb
    • 第一行下载一个具体的.deb包。这个包不是CUDA Toolkit本身，而是一个“本地仓库包”。安装它，相当于在你的系统里添加了一个NVIDIA的软件源。
    • 第二行用dpkg -i安装这个仓库包。安装后，你可以在/etc/apt/sources.list.d/目录下找到新增的源列表文件。

  3. 导入密钥环：

    sudo cp /var/cuda-repo-ubuntu2004-12-4-local/cuda-*-keyring.gpg /usr/share/keyrings/
    • 这一步将仓库的GPG密钥复制到系统密钥环目录，用于验证从该仓库下载软件包的完整性和真实性，避免安装被篡改的包。

  4. 更新软件源并安装CUDA Toolkit：

    sudo apt-get update sudo apt-get -y install cuda-toolkit-12-4
    • sudo apt-get update：更新本地软件包索引，这将获取我们刚刚添加的NVIDIA仓库中的软件包信息。
    • sudo apt-get -y install cuda-toolkit-12-4：这是核心安装命令。-y参数表示自动回答“yes”确认安装。cuda-toolkit-12-4是一个元包，它会自动拉取所有CUDA 12.4 Toolkit必需的组件，包括兼容版本的NVIDIA驱动、编译器、运行时库等。

这个过程会持续一段时间，需要下载几百MB到上GB的数据，具体取决于网络速度。安装过程中，可能会提示你接受驱动相关的许可协议，按提示操作即可。

3.3 安装完成后的环境配置

安装程序结束后，CUDA已经被安装到了/usr/local/cuda-12.4（版本号可能不同）目录下。为了方便使用，我们通常需要设置环境变量。

  1. 编辑用户的环境变量配置文件：

    vim ~/.bashrc

    或者

    gedit ~/.bashrc

  2. 在文件的末尾添加以下几行：

    # CUDA Toolkit export PATH=/usr/local/cuda-12.4/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-12.4/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
    • 第一行：将CUDA的二进制工具目录（如nvcc）添加到系统的PATH环境变量中。这样你才能在终端任何地方直接运行nvcc等命令。
    • 第二行：将CUDA的库文件目录添加到LD_LIBRARY_PATH环境变量中。这样在运行程序时，系统才能找到CUDA的动态链接库（如libcudart.so）。

    提示：如果你未来可能安装多个CUDA版本，这里有个小技巧。你可以不直接写死路径，而是创建一个软链接：

    sudo ln -sf /usr/local/cuda-12.4 /usr/local/cuda

    然后在.bashrc中设置PATH和LD_LIBRARY_PATH时指向/usr/local/cuda。这样，当你需要切换版本时，只需更改这个软链接指向的目录即可，无需修改环境变量。

  3. 使环境变量立即生效：

    source ~/.bashrc

4. 实战步骤二：安装与CUDA 12.x匹配的cuDNN

cuDNN的安装相对独立，NVIDIA将其作为一个单独的库提供。你需要注册一个免费的NVIDIA开发者账号才能下载。

4.1 下载正确版本的cuDNN Deb包

  1. 访问 NVIDIA cuDNN 官网（搜索 “cuDNN Archive”）。
  2. 登录你的NVIDIA开发者账号。
  3. 在存档页面，找到与你的CUDA 12.x版本对应的cuDNN版本。例如，CUDA 12.x 通常对应 cuDNN 8.x 或 9.x 系列。务必确认版本兼容性，官网会有明确说明（如“For CUDA 12.x”）。
  4. 选择对应的版本后，进入下载页面。你需要下载三个.deb包（以Ubuntu 20.04， x86_64架构为例）：
    • 运行时库：例如libcudnn8_8.x.x.x-1+cuda12.x_amd64.deb
    • 开发者库：例如libcudnn8-dev_8.x.x.x-1+cuda12.x_amd64.deb
    • 文档和示例：例如libcudnn8-samples_8.x.x.x-1+cuda12.x_amd64.deb其中8.x.x.x是具体的cuDNN版本号，12.x是对应的CUDA主版本号。

4.2 按顺序安装cuDNN Deb包

下载完成后，在终端中进入存放deb包的目录，按以下顺序安装：

# 安装运行时库 sudo dpkg -i libcudnn8_8.x.x.x-1+cuda12.x_amd64.deb # 安装开发者库（包含头文件等，编译深度学习框架需要） sudo dpkg -i libcudnn8-dev_8.x.x.x-1+cuda12.x_amd64.deb # 安装文档和示例（可选，用于验证） sudo dpkg -i libcudnn8-samples_8.x.x.x-1+cuda12.x_amd64.deb

安装过程很快，因为这些包实际上是将文件解压到系统标准路径（如/usr/include/,/usr/lib/x86_64-linux-gnu/），并更新系统的库缓存。

4.3 验证cuDNN安装

安装完cuDNN后，强烈建议运行其自带的示例程序来验证是否安装成功。

  1. 拷贝cuDNN示例代码到你的家目录：
    cp -r /usr/src/cudnn_samples_v8/ ~/
  2. 进入一个示例目录，例如测试卷积操作的目录：
    cd ~/cudnn_samples_v8/mnistCUDNN
  3. 编译示例程序：
    sudo make clean && sudo make
    如果编译过程中报错找不到FreeImage.h，你需要安装libfreeimage3和libfreeimage-dev：
    sudo apt-get install libfreeimage3 libfreeimage-dev
    然后重新执行sudo make。
  4. 运行编译好的示例：
    ./mnistCUDNN
    如果输出结果中看到Test passed!字样，恭喜你，cuDNN安装成功，并且可以与CUDA协同工作。

5. 安装后的全面验证与问题排查

环境装好了，但到底成不成功？我们需要一套“组合拳”来验证。

5.1 基础命令验证

  1. 验证驱动和CUDA驱动API：

    nvidia-smi

    这个命令应该能正常输出，顶部会显示驱动版本和最高支持的CUDA版本（例如CUDA Version: 12.4）。这证明了驱动安装正确。

  2. 验证CUDA编译器（nvcc）：

    nvcc --version

    这个命令会输出nvcc的版本信息，它应该与你安装的CUDA Toolkit版本（如12.4）一致。这证明了CUDA开发环境配置正确。

  3. 验证CUDA运行时库： 我们可以写一个最简单的CUDA程序来测试。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); for (int dev = 0; dev < deviceCount; ++dev) { cudaDeviceProp deviceProp; cudaGetDeviceProperties(&deviceProp, dev); printf("\nDevice %d: \"%s\"\n", dev, deviceProp.name); } } return 0; }

    编译并运行：

    nvcc test_cuda.cu -o test_cuda ./test_cuda

    如果输出显示了你显卡的型号和数量，那么恭喜，CUDA运行时环境完全正常。

5.2 常见问题与解决方案

即使按照步骤操作，也可能遇到一些问题。这里列举几个常见的：

  • 问题1：nvidia-smi命令正常，但nvcc --version报错 “command not found”。

    • 原因：环境变量PATH没有设置正确，或者.bashrc修改后没有source。
    • 解决：
      1. 检查~/.bashrc文件中的PATH设置是否正确指向了/usr/local/cuda-12.4/bin。
      2. 执行source ~/.bashrc。
      3. 如果还不行，尝试直接指定路径运行/usr/local/cuda-12.4/bin/nvcc --version。如果可以，说明环境变量路径有误。

  • 问题2：运行CUDA示例程序时，报错 “error while loading shared libraries: libcudart.so.12.x: cannot open shared object file”。

    • 原因：环境变量LD_LIBRARY_PATH没有设置或设置错误，系统找不到CUDA的运行时库。
    • 解决：
      1. 检查~/.bashrc中的LD_LIBRARY_PATH是否包含/usr/local/cuda-12.4/lib64。
      2. 执行source ~/.bashrc。
      3. 也可以临时设置：export LD_LIBRARY_PATH=/usr/local/cuda-12.4/lib64:$LD_LIBRARY_PATH，然后再运行程序。

  • 问题3：在安装CUDA deb包过程中，sudo apt-get install cuda报错，提示依赖问题。

    • 原因：可能是之前的NVIDIA驱动残留、系统包索引过时或其他软件源冲突。
    • 解决：
      1. 首先尝试修复依赖：sudo apt-get install -f。
      2. 更新系统：sudo apt-get update && sudo apt-get upgrade。
      3. 如果问题依旧，可以尝试彻底清除之前的NVIDIA相关包（谨慎操作）：
        sudo apt-get purge *nvidia* *cuda* *cudnn* sudo apt-get autoremove
      4. 重新执行从官网获取的完整安装命令序列。

  • 问题4：cuDNN示例编译失败，提示找不到cudnn.h或libcudnn.so。

    • 原因：cuDNN的开发包（libcudnn8-dev）没有安装成功，或者安装后头文件和库的路径不在系统默认搜索路径中。
    • 解决：
      1. 确认libcudnn8-dev包已正确安装：dpkg -l | grep cudnn。
      2. 检查头文件是否存在：ls /usr/include/cudnn*或ls /usr/include/cudnn.h。
      3. 检查库文件是否存在：ls /usr/lib/x86_64-linux-gnu/libcudnn*。
      4. 如果路径不对，可能是安装到了非标准路径。可以尝试手动创建软链接，或者修改示例代码的Makefile中的包含路径和链接库路径。

6. 进阶配置与管理：多版本CUDA与虚拟环境

对于深度学习开发者，经常需要在不同项目间切换CUDA版本。.deb安装方式虽然规范，但默认会安装到系统路径。如何优雅地管理多个版本？

6.1 利用软链接实现系统级CUDA版本切换

如前文提示，我们可以利用/usr/local/cuda这个软链接来指向当前活跃的CUDA版本。

  1. 假设你已经通过.deb方式安装了CUDA 11.8和CUDA 12.4，它们分别位于/usr/local/cuda-11.8和/usr/local/cuda-12.4。
  2. 当你需要切换到CUDA 12.4时，执行：
    sudo rm -f /usr/local/cuda # 删除旧软链接 sudo ln -s /usr/local/cuda-12.4 /usr/local/cuda # 创建新软链接指向12.4
  3. 更新环境变量（如果你的.bashrc里设置的是/usr/local/cuda）：
    source ~/.bashrc
  4. 验证版本：
    nvcc --version
    现在输出的应该是12.4。

这种方法简单直接，但属于系统级切换，会影响所有用户和所有终端会话。

6.2 更推荐的方式：在Conda虚拟环境中管理CUDA

对于Python深度学习项目，更专业和推荐的做法是使用Conda虚拟环境。Conda不仅可以管理Python包，还可以管理CUDA和cuDNN的版本，真正做到环境隔离。

  1. 安装Miniconda或Anaconda。
  2. 为特定项目创建虚拟环境并指定CUDA版本：
    # 创建一个名为 pytorch_12.4 的环境，并指定python版本 conda create -n pytorch_12.4 python=3.9 conda activate pytorch_12.4
  3. 在虚拟环境中安装PyTorch或TensorFlow： 在PyTorch官网，使用Conda命令安装时会自动帮你解决对应版本的CUDA依赖。例如，安装支持CUDA 12.1的PyTorch：
    conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
    这个命令会在当前的conda环境里安装PyTorch以及与之匹配的CUDA 12.1工具包（这是一个精简版的CUDA，只包含运行PyTorch必需的运行时库，不会影响系统全局的CUDA）。此时，在这个环境里，import torch; torch.cuda.is_available()会返回True，并且使用的是conda环境内的CUDA 12.1，与你系统里安装的CUDA 12.4互不干扰。

我个人在实际工作中，几乎为每一个主要项目都会创建一个独立的Conda环境，并在里面通过框架的安装命令来间接管理CUDA依赖。这样，项目A用PyTorch 1.13 + CUDA 11.7，项目B用TensorFlow 2.10 + CUDA 12.0，可以在一台机器上完美共存，切换环境即可，完全不需要去动系统级的CUDA。这是目前最清晰、最安全的深度学习环境管理方案。

网站建设 视觉设计 SEO优化
返回列表