1. 为什么需要搭建Ubuntu深度学习环境？
如果你刚接触深度学习，可能会好奇为什么大家都推荐在Ubuntu系统下搭建开发环境。简单来说，Ubuntu对NVIDIA显卡的支持更友好，而且大多数深度学习框架（比如TensorFlow、PyTorch）在Linux环境下运行更稳定。我在帮实验室新同学配置环境时，经常遇到Windows下各种奇怪的CUDA报错，换到Ubuntu后问题就神奇地消失了。
Ubuntu 20.04和22.04是目前最推荐的两个LTS（长期支持）版本。它们不仅稳定性强，而且社区支持完善。我实测过，在这两个版本上安装NVIDIA驱动、CUDA和cuDNN的成功率最高。不过要注意，不同版本的组件之间存在严格的兼容性要求，这也是很多新手容易踩坑的地方。
2. 安装NVIDIA显卡驱动的三种方法
2.1 图形界面安装（适合新手）
这是最傻瓜式的安装方法：
- 打开"软件和更新"应用
- 切换到"附加驱动"标签页
- 选择推荐的专有驱动版本（通常会标注"推荐"）
- 点击"应用更改"按钮
注意：这种方法虽然简单，但有时会遇到驱动版本不匹配的问题。我遇到过几次安装后无法进入图形界面的情况，这时候就需要进入恢复模式卸载驱动重装。
2.2 命令行安装（推荐）
这是我个人最推荐的方式，既方便又可靠：
# 添加官方PPA源 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update # 查看可用驱动版本 ubuntu-drivers devices # 安装推荐驱动（以510版本为例） sudo apt install nvidia-driver-510安装完成后一定要重启系统，然后运行nvidia-smi命令验证。如果看到类似下面的输出，说明安装成功：
+-----------------------------------------------------------------------------+ | NVIDIA-SMI 510.47.03 Driver Version: 510.47.03 CUDA Version: 11.6 | |-------------------------------+----------------------+----------------------+ | 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 ... On | 00000000:01:00.0 On | N/A | | N/A 45C P8 N/A / N/A | 200MiB / 8192MiB | 10% Default | | | | N/A | +-------------------------------+----------------------+----------------------+2.3 手动安装.run文件（高级用户）
这种方法适合需要特定驱动版本的情况：
- 从NVIDIA官网下载对应版本的.run文件
- 按Ctrl+Alt+F2进入命令行模式
- 关闭图形界面服务：
sudo service lightdm stop - 运行安装程序：
sudo sh NVIDIA-Linux-x86_64-510.47.03.run
警告：这种方法最容易出问题，特别是新手可能会遇到内核模块签名验证失败的情况。如果遇到问题，可以尝试添加
--no-opengl-files和--no-drm参数。
3. CUDA工具包的安装与配置
3.1 版本选择很重要
CUDA版本必须与你的NVIDIA驱动兼容。最简单的方法是查看nvidia-smi输出的右上角，那里会显示驱动支持的最高CUDA版本。比如显示"CUDA Version: 11.6"，就说明你可以安装11.6及以下版本的CUDA。
我在项目中常用的几个稳定组合：
- 驱动510.47.03 + CUDA 11.6
- 驱动470.103.01 + CUDA 11.4
- 驱动450.119.03 + CUDA 11.0
3.2 实际安装步骤
以CUDA 11.6为例：
# 下载安装包 wget https://developer.download.nvidia.com/compute/cuda/11.6.0/local_installers/cuda_11.6.0_510.39.01_linux.run # 运行安装程序 sudo sh cuda_11.6.0_510.39.01_linux.run安装时要注意：
- 在驱动安装选项处按空格取消选择（因为我们已提前安装驱动）
- 其他选项保持默认即可
安装完成后，需要配置环境变量。编辑~/.bashrc文件，在末尾添加：
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}}然后执行source ~/.bashrc使配置生效。验证安装：
nvcc -V应该能看到类似输出：
nvcc: NVIDIA (R) Cuda compiler release 11.6, V11.6.554. cuDNN的安装与验证
4.1 下载正确的版本
cuDNN必须与CUDA版本严格匹配。以CUDA 11.6为例，应该选择for CUDA 11.x的cuDNN 8.x版本。下载时需要注册NVIDIA开发者账号，这是官方要求。
4.2 安装步骤
下载完成后（假设文件名为cudnn-linux-x86_64-8.4.0.27_cuda11.6-archive.tar.xz）：
# 解压文件 tar -xvf cudnn-linux-x86_64-8.4.0.27_cuda11.6-archive.tar.xz # 复制文件到CUDA目录 sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*4.3 验证安装
对于cuDNN 8.x及以上版本：
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2应该能看到类似输出：
#define CUDNN_MAJOR 8 #define CUDNN_MINOR 4 #define CUDNN_PATCHLEVEL 05. 常见问题排查指南
5.1 驱动安装失败
症状：安装后黑屏或循环登录 解决方法：
- 进入恢复模式
- 卸载现有驱动：
sudo apt purge nvidia* - 重新安装推荐版本驱动
5.2 CUDA测试程序报错
如果运行/usr/local/cuda/samples/中的示例程序出错，可能是环境变量没设置好。确保：
- 所有CUDA相关路径已加入PATH
- 执行了
source ~/.bashrc - 安装了必要的依赖：
sudo apt install build-essential
5.3 多显卡配置
如果你有Intel集成显卡和NVIDIA独立显卡，可以通过以下命令切换：
sudo prime-select nvidia # 使用NVIDIA显卡 sudo prime-select intel # 使用Intel显卡切换后需要重启生效。
6. 环境验证与深度学习框架测试
安装完所有组件后，建议用实际框架测试环境是否正常工作。以PyTorch为例：
import torch print(torch.cuda.is_available()) # 应该返回True print(torch.backends.cudnn.version()) # 应该显示你安装的cuDNN版本如果一切正常，恭喜你！现在可以开始你的深度学习之旅了。我在第一次成功搭建环境后，立即跑了一个MNIST训练作为测试，看到GPU利用率飙升的感觉真的很棒。
