Ubuntu下CUDA、cuDNN与PyTorch的详细安装教程

本篇文章主要介绍了如何在Ubuntu系统上安装CUDA、cuDNN以及与PyTorch相关的库，以支持深度学习和GPU加速计算。以下是详细的安装步骤和注意事项： 1. **安装CUDA** - 首先确保安装NVIDIA显卡驱动，通过系统设置中的软件更新功能完成，然后使用`nvidia-smi`检查驱动是否安装正确。 - 根据NVIDIA显卡型号确定所需的CUDA版本，访问CUDA官网下载对应版本的.run安装包，如cuda_9.0.176.384.81_linux.run，以管理员权限运行并按照提示进行安装，但需注意跳过安装驱动的步骤，因为它已提前安装。 - 安装完成后，配置环境变量，将CUDA可执行文件和库路径添加到`/etc/profile`文件中，并重启系统以使更改生效。通过`nvcc -V`检查安装是否成功。 2. **安装cuDNN** - 登录NVIDIA官网，由于版权原因，需要注册并下载对应CUDA版本的cuDNN（如cuDNNv7.0.5），然后解压下载的文件。 - 使用`sudo`权限执行解压命令，将cuDNN头文件复制到CUDA包含目录，例如`/usr/local/cuda/include`。 3. **与PyTorch的集成** - 安装CUDA和cuDNN后，为了在Python中使用PyTorch，需要确保PyTorch的CUDA版本与所安装的CUDA版本兼容。安装时，可以选择PyTorch的CUDA版本作为依赖项，或者在安装后手动设置CUDA路径。 - 对于Python的安装，可以使用pip安装PyTorch及其CUDA版本，例如`pip install torch torchvision -f https://download.pytorch.org/whl/torch_stable.html`。这将自动处理与CUDA的集成。 4. **环境配置验证** - 在安装过程中，可能会遇到一些问题，比如`nvcc`未找到。这时可能需要重新配置环境，确保CUDA和cuDNN的路径已添加到系统路径中。 这篇文章提供了在Ubuntu上构建深度学习开发环境的基础指南，对于希望通过CUDA和PyTorch进行GPU加速的开发者来说，这些步骤是必不可少的。需要注意的是，随着NVIDIA库的更新，具体版本号可能会有所变化，因此在实际操作时应参照最新的官方文档。