### CUDA、cuDNN 和 PyTorch 的版本兼容性 对于构建基于 Ubuntu 的深度学习开发环境，选择合适的操作系统版本至关重要。Ubuntu 20.04 被认为是一个较为稳定的选择，尤其是在处理 GPU 加速计算时[^1]。 #### 操作系统与驱动程序 - **Ubuntu 版本**: 推荐使用 Ubuntu 20.04 LTS，因为该版本提供了更好的显卡驱动稳定性以及更广泛的软件包支持。 - **NVIDIA 驱动**: 安装 NVIDIA 显卡驱动之前应先确认硬件型号，并通过官方渠道获取最新版驱动。安装完毕后可通过 `nvidia-smi` 命令验证驱动是否正常工作及其所支持的最大 CUDA 版本[^4]。 #### CUDA 工具链配置 CUDA 是由 NVIDIA 提供的一套用于加速并行运算的应用程序接口(API)，它允许开发者利用GPU的强大性能来加快机器学习模型训练过程中的矩阵乘法等操作。针对 Ubuntu 20.04, 可以考虑安装 CUDA Toolkit 11.x 系列，特别是 CUDA 11.3 这一具体版本被证明能很好地配合特定版本的 PyTorch 使用。 ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-repo-ubuntu2004_11.3.1-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu2004_11.3.1-1_amd64.deb sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub sudo apt-get update sudo apt-get install cuda-11-3 ``` #### cuDNN 库集成 cuDNN 是一个专门优化过的库，旨在提升神经网络算法执行效率。为了使 PyTorch 正确识别并应用这些优化，在安装了适当版本的 CUDA 后还需要额外安装匹配版本的 cuDNN。对于上述提到的 CUDA 11.3 来说，应该配套安装 cuDNN 8.x 版本[^3]。 ```bash # 下载 cuDNN Debian 包文件至本地计算机 # 解压 tar 文件并将其中的内容复制到 /usr/local/ tar -8*.tgz sudo cp cuda/include/* /usr/local/cuda/include/ sudo cp cuda/lib64/* /usr/local/cuda/lib64/ # 更新动态链接器缓存 echo '/usr/local/cuda/lib64' | sudo tee /etc/ld.so.conf.d/nvidia-cudnn.conf sudo ldconfig ``` #### PyTorch 构建与测试 最后一步就是安装适合当前环境设置的 PyTorch 发布版本。考虑到前面已经搭建好了 CUDA 11.3 + cuDNN 8.x 的组合，则可以选择安装 PyTorch 1.10 或者更新但仍保持向后兼容性的更高版本。 ```python pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 ```