autodl安装cuda

### 如何在 AutoDL 环境中安装 CUDA

为了在 AutoDL 平台上成功配置 CUDA，在默认镜像可能缺乏某些必要组件的情况下，需要手动完成一系列操作来确保环境适配特定需求。

#### 准备工作
确认当前使用的操作系统版本以及目标CUDA版本的兼容性。对于Linux系统而言，获取适合硬件架构的CUDA安装文件至关重要。可以从NVIDIA官方网站下载对应版本的CUDA工具包[^1]：

wget https://developer.download.nvidia.com/compute/cuda/10.0.130/local_installers/cuda_10.0.130_410.48_linux.run

#### 安装依赖项
由于AutoDL平台预设镜像内可能存在缺失的基础软件包（例如`cmake`），这些是后续编译或链接过程中不可或缺的部分。因此建议先通过系统的包管理器更新并安装必要的开发库和工具链[^2]:

sudo apt-get update && sudo apt-get install build-essential cmake

#### 执行CUDA安装脚本
当准备工作完成后，可以通过运行之前下载好的二进制安装程序来进行CUDA的部署。注意执行前赋予该文件可执行权限，并按照提示逐步完成整个过程:

chmod +x cuda_10.0.130_410.48_linux.run
./cuda_10.0.130_410.48_linux.run --silent --toolkit

#### 验证安装成果
最后一步是对新安装的CUDA进行功能验证，这通常涉及到编写简单的测试代码以调用GPU资源。如果一切正常，则表明CUDA已经正确集成到现有环境中。

#### 使用 Conda 创建独立环境 (可选)
考虑到不同项目之间可能会存在依赖冲突的情况，推荐利用Conda创建隔离的工作区，并在此基础上进一步定制化设置，比如安装PyTorch及其扩展库PyTorch3D等[^3]。

conda create -n myenv python=3.7
conda activate myenv
conda install pytorch torchvision torchaudio cudatoolkit=10.0 -c pytorch
conda install -c fvcore -c iopath -c conda-forge fvcore iopath
conda install pytorch3d::pytorch3d