### 配置 Ubuntu 上的深度学习环境 #### 显卡驱动安装 对于 NVIDIA GPU 的支持，在 Ubuntu 20.04 中配置深度学习环境的第一步是安装合适的显卡驱动程序。这可以通过官方提供的.run 文件或者通过命令行工具 `apt` 来完成。为了确保兼容性和性能优化，建议按照特定版本的要求来选择相应的驱动版本[^1]。 #### CUDA 和 cuDNN 安装 CUDA Toolkit 是用于开发基于 NVIDIA GPU 加速应用的关键组件之一。在准备就绪的操作系统环境下，可以下载并执行 CUDA 工具包的本地安装器 `.run` 文件来进行安装；在此之前可能还需要预先安装某些必要的库文件以保障顺利安装过程[^2]。cuDNN 则作为深度神经网络专用的高度优化实现库，通常会随同 CUDA 一起被推荐安装相同大版本号下的配套版本。 #### Anaconda 设置 Anaconda 提供了一个便捷的方式来管理 Python 版本及其依赖项，非常适合用来构建机器学习项目的工作区。创建一个新的 conda 虚拟环境中指定 python 解释器以及所需框架如 PyTorch 或 TensorFlow 等的具体版本能够有效减少冲突风险，并简化后续维护工作。 #### IDE 集成 PyCharm 社区版或专业版都是不错的选择，它提供了良好的用户体验和支持多种插件扩展功能。设置好解释器路径指向刚才建立好的 Conda Environment 后即可开始编写代码了。 ```bash # 更新软件源列表并升级现有包 sudo apt update && sudo apt upgrade -y # 添加 nvidia ppa 并更新索引 (如果采用PPA方式) sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update # 安装 Nvidia 驱动(这里假设目标版本为460,具体取决于硬件需求) sudo ubuntu-driver autoinstall || sudo apt install nvidia-driver-460 # 安装编译所需的依赖库 sudo apt-get install freeglut3-dev build-essential libx11-dev \ libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev # 下载对应系统的 CUDA .deb 包并通过 dpkg 命令安装 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 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub sudo add-apt-repository "deb http://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /" sudo apt-get update sudo apt-get -y install cuda-11-0 # 安装 cuDNN 库（需注册开发者账号后获取） tar xvzf cudnn-linux-x86_64-8.0.5.39_cuda11.0-archive.tar.xz cd cudnn-linux-x86_64-8.0.5.39_cuda11.0-archive/ sudo cp include/* /usr/local/cuda/include/ sudo cp lib/* /usr/local/cuda/lib64/ # 创建新的Conda虚拟环境并激活 conda create --name dl_env python=3.8 conda activate dl_env # 使用 pip 或者 conda 安装 PyTorch 及其他常用库 pip install torch torchvision torchaudio ```