### 配置 Ubuntu 系统上的 CUDA 支持 PyTorch 深度学习框架 #### 准备工作 在开始之前，需确认系统已安装 NVIDIA 显卡驱动程序并能够正常运行。可以通过以下命令验证显卡信息和驱动版本： ```bash nvidia-smi ``` 如果未安装驱动程序，则需要先完成 NVIDIA 显卡驱动的安装[^2]。 --- #### 安装 CUDA 和 cuDNN 为了使 PyTorch 能够充分利用 GPU 加速计算能力，必须安装兼容的 CUDA 工具包及其依赖项 cuDNN： 1. **下载 CUDA** 访问 NVIDIA 官方网站获取适合系统的 CUDA 版本，并遵循官方指南进行安装。推荐使用 `.run` 文件或 `apt-get` 方法来简化流程[^4]。 2. **配置环境变量** 编辑用户的 shell 配置文件（如 `.bashrc`），添加如下路径设置： ```bash export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ``` 3. **安装 cuDNN** 下载对应于所选 CUDA 版本的 cuDNN 库，并将其解压到 `/usr/local/cuda/` 目录下。完成后更新动态链接库缓存： ```bash sudo ldconfig ``` 上述操作确保了基础硬件加速工具链的完备性[^1]。 --- #### 安装 Python 环境管理工具 Miniconda 或 Anaconda 建议采用 Conda 来创建独立的虚拟环境以隔离不同项目所需的依赖关系。执行以下指令完成安装过程： ```bash wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh source ~/.bashrc ``` 随后初始化一个新的 Python 环境用于后续实验活动： ```bash conda create -n pytorch_env python=3.9 conda activate pytorch_env ``` --- #### 安装 PyTorch 并启用 CUDA 支持 访问 [PyTorch官网](https://pytorch.org/get-started/locally/) 获取定制化安装脚本。通常情况下可直接复制粘贴类似下面的内容至终端执行： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 ``` 此命令会自动拉取适配当前操作系统架构与指定 CUDA 版本号 (此处假设为 11.7) 的二进制轮子文件。 最后可通过简单测试验证安装成功与否： ```python import torch print(torch.cuda.is_available()) # 输出 True 表明可用GPU资源 print(torch.__version__) # 查看具体版本号 ``` --- #### 可视化 IDE 设置 – PyCharm 整合 PyTorch 解释器 对于偏好图形界面开发者而言，可以选用 JetBrains 提供的专业级集成开发环境——PyCharm Community/Educational Editions 实现更便捷高效的编码体验。参照指引完成插件加载及远程调试功能绑定等工作流优化措施[^3]。 ---