ubuntu20.04下cuda、cudnn

安装和配置 CUDA 和 cuDNN 的指南
准备工作
在开始安装之前，需确保已成功安装 NVIDIA 显卡驱动程序。如果没有完成此操作，请参考相关文章进行安装[^1]。
下载并安装 CUDA 工具包
访问官方的 NVIDIA CUDA Toolkit 存档页面获取适合的版本链接[^2]。以下是具体的操作方法：

使用 wget 命令下载所需的 CUDA 版本文件。例如：
wget -c https://developer.download.nvidia.com/compute/cuda/11.4.0/local_installers/cuda_11.4.0_470.42.01_linux.run
登录后复制

赋予脚本执行权限并通过命令运行安装器：
sudo chmod +x cuda_11.4.0_470.42.01_linux.run
sudo ./cuda_11.4.0_470.42.01_linux.run
登录后复制

配置环境变量以便系统能够识别 CUDA 库路径。编辑 .bashrc 文件，在其中添加如下内容：
export PATH=/usr/local/cuda-11.4/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.4/lib64:$LD_LIBRARY_PATH
登录后复制
执行以下命令使更改生效：
source ~/.bashrc
登录后复制

安装 cuDNN
cuDNN 是用于深度学习框架优化 GPU 性能的重要库。其安装过程可以分为以下几个部分：

访问 NVIDIA cuDNN 页面，登录账户后下载对应 CUDA 版本的 cuDNN 文件[^3]。

解压压缩包并将必要的文件复制到 CUDA 安装目录中。假设解压后的文件位于当前目录，则可使用以下命令实现：
sudo cp include/cudnn*.h /usr/local/cuda/include/
sudo cp lib64/* /usr/local/cuda/lib64/
登录后复制

更新动态链接器缓存以注册新加入的共享对象文件：
sudo ldconfig
登录后复制

通过上述步骤即可顺利完成 CUDA 及 cuDNN 在 Ubuntu 20.04 中的基础设置。验证安装是否成功的常用方式之一是编译并运行简单的测试样例程序来检查硬件支持状况以及功能模块加载情况。
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))
登录后复制
以上 Python 示例代码片段可用于检测 TensorFlow 是否正确利用到了 GPU 加速资源。