Linux深度学习环境搭建全流程指南

　　Linux系统是深度学习开发的主流平台，稳定高效且生态丰富。推荐使用Ubuntu 20.04或22.04 LTS版本，兼顾驱动兼容性与软件支持。安装时建议勾选“安装第三方驱动”选项，便于后续NVIDIA显卡识别。

　　验证GPU基础环境：执行nvidia-smi命令，若显示显卡型号与驱动版本，则CUDA驱动已就绪；若报错，需从NVIDIA官网下载对应系统版本的.run或.deb驱动包并静默安装。注意禁用nouveau开源驱动，方法是在/etc/modprobe.d/blacklist.conf中添加blacklist nouveau行，并更新initramfs。

　　CUDA Toolkit安装应与驱动版本匹配，避免使用系统默认仓库中的过旧版本。直接下载官方runfile（如cuda_12.1.1_530.30.02_linux.run），运行前赋予执行权限，安装时取消勾选驱动组件（因已单独安装），仅保留CUDA toolkit与cuDNN示例。安装完成后将/usr/local/cuda-12.1/bin加入PATH，/usr/local/cuda-12.1/lib64加入LD_LIBRARY_PATH。

AI生成的趋势图，仅供参考

　　Python环境建议使用miniconda而非系统Python，规避权限与依赖冲突。下载Miniconda3 Linux installer，bash Miniconda3-latest-Linux-x86_64.sh完成安装。创建独立环境：conda create -n dl python=3.9，conda activate dl。优先通过conda安装PyTorch：conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia；TensorFlow则建议pip install tensorflow[and-cuda]，自动匹配CUDA/cuDNN版本。

　　验证框架是否调用GPU：在Python中运行import torch; print(torch.cuda.is_available())，返回True即成功；对TensorFlow执行import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))。若失败，检查CUDA路径是否生效、框架版本与CUDA是否兼容，或尝试降级至CUDA 11.8以提升兼容性。

　　为提升开发效率，可安装Jupyter Lab：pip install jupyterlab，并配置内核：python -m ipykernel install --user --name dl --display-name "Python (dl)"。同时安装常用工具包：pip install opencv-python tqdm matplotlib scikit-learn。所有操作均在虚拟环境中进行，确保项目隔离与复现性。

　　日常维护建议定期更新conda与pip：conda update conda && pip install --upgrade pip；避免混用apt与pip安装同一软件；记录环境配置（conda env export > environment.yml）；敏感实验前快照系统状态（如Timeshift备份）。遇到问题优先查阅官方安装文档与GitHub Issues，多数CUDA/GPU报错源于版本错配或路径未加载。

（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!