1. 环境准备从零开始的深度学习工作站刚拿到一台装好Ubuntu20.04的机器时我总有种面对空白画布的兴奋感。作为过来人建议你先泡杯咖啡跟着我把这个深度学习环境搭建起来。整个过程就像组装乐高积木只要按步骤来最后一定能看到torch.cuda.is_available()输出那个令人愉悦的True。首先确认你的硬件配置。NVIDIA显卡是必须的我用的是RTX 3090你手头的显卡只要不是太老的型号应该都支持CUDA11.8。建议至少8GB显存不然跑现代深度学习模型会有点吃力。记得先连接好网络因为我们要下载几个GB的安装包。2. 显卡驱动安装与验证2.1 检查现有驱动打开终端CtrlAltT输入这个我每天要用几十次的命令nvidia-smi如果看到类似这样的输出说明驱动已经安装----------------------------------------------------------------------------- | NVIDIA-SMI 520.61.05 Driver Version: 520.61.05 CUDA Version: 11.8 | |---------------------------------------------------------------------------重点看右上角的CUDA Version这表示驱动支持的CUDA最高版本。如果显示Command not found说明需要安装驱动。2.2 安装推荐驱动Ubuntu自带的驱动可能不是最新版我推荐用官方仓库安装sudo apt update sudo ubuntu-drivers autoinstall sudo reboot重启后再次运行nvidia-smi应该能看到驱动信息了。有个小技巧输出表格里的Driver Version可以到NVIDIA官网查对应的CUDA支持版本。3. CUDA 11.8安装详解3.1 获取安装包到NVIDIA官网下载CUDA Toolkit 11.8的runfile安装包wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run我试过用deb安装但runfile更灵活特别是需要多版本CUDA共存时。3.2 交互式安装过程运行安装程序时要特别注意sudo sh cuda_11.8.0_520.61.05_linux.run安装界面会出现几个关键选项按空格取消勾选Driver因为我们已经装好了其他选项保持默认选择Install开始安装安装完成后你会看到提示要配置环境变量先别急着关终端。3.3 环境变量配置打开~/.bashrc文件在末尾添加这些内容export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存后执行source ~/.bashrc验证安装是否成功nvcc -V应该看到类似release 11.8的版本信息。这里有个坑如果显示旧版本可能是PATH优先级问题检查环境变量设置。4. PyTorch 2.0环境配置4.1 创建conda环境我习惯为每个项目创建独立环境避免包冲突conda create -n pytorch2 python3.8 -y conda activate pytorch2python版本建议用3.8这是经过充分测试的稳定组合。4.2 安装PyTorch 2.0到PyTorch官网找到对应CUDA11.8的命令pip install torch2.0.0 torchvision0.15.1 torchaudio2.0.1 --index-url https://download.pytorch.org/whl/cu118实测用pip比conda安装快很多特别是国内用户可以通过添加-i https://pypi.tuna.tsinghua.edu.cn/simple加速下载。4.3 验证安装启动Python解释器import torch print(torch.__version__) # 应该输出2.0.0 print(torch.cuda.is_available()) # 期待看到True如果遇到libcudart.so.11.8找不到的错误通常是LD_LIBRARY_PATH没设置正确回头检查环境变量。5. 常见问题排查5.1 驱动版本不兼容遇到过最头疼的问题是驱动和CUDA版本不匹配。建议记住这个对应关系表CUDA版本最低驱动版本11.8520.61.0511.7515.65.0111.6510.47.035.2 多CUDA版本管理有时候需要切换CUDA版本我推荐用update-alternativessudo update-alternatives --config cuda这会列出所有已安装的CUDA版本按提示选择即可。5.3 PyTorch找不到CUDA如果torch.cuda.is_available()返回False可以按这个顺序检查确认nvidia-smi能正常输出检查PyTorch是否安装的CUDA版本运行python -c import torch; print(torch.version.cuda)查看PyTorch使用的CUDA版本6. 性能优化技巧装好环境只是开始要让GPU火力全开还需要一些调优。首先安装性能监控工具sudo apt install nvtop这个比nvidia-smi更直观可以实时查看GPU利用率。然后是cudnn的安装虽然PyTorch已经内置了但单独安装可以获得更好性能sudo apt install libcudnn8 libcudnn8-dev最后建议设置GPU频率为最大性能模式sudo nvidia-smi -pm 1 sudo nvidia-smi -ac 5001,1590具体频率值需要根据你的显卡型号调整。
Ubuntu20.04下CUDA11.8与PyTorch2.0环境配置全攻略
发布时间：2026/7/15 8:09:43
1. 环境准备从零开始的深度学习工作站刚拿到一台装好Ubuntu20.04的机器时我总有种面对空白画布的兴奋感。作为过来人建议你先泡杯咖啡跟着我把这个深度学习环境搭建起来。整个过程就像组装乐高积木只要按步骤来最后一定能看到torch.cuda.is_available()输出那个令人愉悦的True。首先确认你的硬件配置。NVIDIA显卡是必须的我用的是RTX 3090你手头的显卡只要不是太老的型号应该都支持CUDA11.8。建议至少8GB显存不然跑现代深度学习模型会有点吃力。记得先连接好网络因为我们要下载几个GB的安装包。2. 显卡驱动安装与验证2.1 检查现有驱动打开终端CtrlAltT输入这个我每天要用几十次的命令nvidia-smi如果看到类似这样的输出说明驱动已经安装----------------------------------------------------------------------------- | NVIDIA-SMI 520.61.05 Driver Version: 520.61.05 CUDA Version: 11.8 | |---------------------------------------------------------------------------重点看右上角的CUDA Version这表示驱动支持的CUDA最高版本。如果显示Command not found说明需要安装驱动。2.2 安装推荐驱动Ubuntu自带的驱动可能不是最新版我推荐用官方仓库安装sudo apt update sudo ubuntu-drivers autoinstall sudo reboot重启后再次运行nvidia-smi应该能看到驱动信息了。有个小技巧输出表格里的Driver Version可以到NVIDIA官网查对应的CUDA支持版本。3. CUDA 11.8安装详解3.1 获取安装包到NVIDIA官网下载CUDA Toolkit 11.8的runfile安装包wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run我试过用deb安装但runfile更灵活特别是需要多版本CUDA共存时。3.2 交互式安装过程运行安装程序时要特别注意sudo sh cuda_11.8.0_520.61.05_linux.run安装界面会出现几个关键选项按空格取消勾选Driver因为我们已经装好了其他选项保持默认选择Install开始安装安装完成后你会看到提示要配置环境变量先别急着关终端。3.3 环境变量配置打开~/.bashrc文件在末尾添加这些内容export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存后执行source ~/.bashrc验证安装是否成功nvcc -V应该看到类似release 11.8的版本信息。这里有个坑如果显示旧版本可能是PATH优先级问题检查环境变量设置。4. PyTorch 2.0环境配置4.1 创建conda环境我习惯为每个项目创建独立环境避免包冲突conda create -n pytorch2 python3.8 -y conda activate pytorch2python版本建议用3.8这是经过充分测试的稳定组合。4.2 安装PyTorch 2.0到PyTorch官网找到对应CUDA11.8的命令pip install torch2.0.0 torchvision0.15.1 torchaudio2.0.1 --index-url https://download.pytorch.org/whl/cu118实测用pip比conda安装快很多特别是国内用户可以通过添加-i https://pypi.tuna.tsinghua.edu.cn/simple加速下载。4.3 验证安装启动Python解释器import torch print(torch.__version__) # 应该输出2.0.0 print(torch.cuda.is_available()) # 期待看到True如果遇到libcudart.so.11.8找不到的错误通常是LD_LIBRARY_PATH没设置正确回头检查环境变量。5. 常见问题排查5.1 驱动版本不兼容遇到过最头疼的问题是驱动和CUDA版本不匹配。建议记住这个对应关系表CUDA版本最低驱动版本11.8520.61.0511.7515.65.0111.6510.47.035.2 多CUDA版本管理有时候需要切换CUDA版本我推荐用update-alternativessudo update-alternatives --config cuda这会列出所有已安装的CUDA版本按提示选择即可。5.3 PyTorch找不到CUDA如果torch.cuda.is_available()返回False可以按这个顺序检查确认nvidia-smi能正常输出检查PyTorch是否安装的CUDA版本运行python -c import torch; print(torch.version.cuda)查看PyTorch使用的CUDA版本6. 性能优化技巧装好环境只是开始要让GPU火力全开还需要一些调优。首先安装性能监控工具sudo apt install nvtop这个比nvidia-smi更直观可以实时查看GPU利用率。然后是cudnn的安装虽然PyTorch已经内置了但单独安装可以获得更好性能sudo apt install libcudnn8 libcudnn8-dev最后建议设置GPU频率为最大性能模式sudo nvidia-smi -pm 1 sudo nvidia-smi -ac 5001,1590具体频率值需要根据你的显卡型号调整。
