Linux深度学习环境搭建全流程指南

　　Linux系统是深度学习开发的主流平台，稳定高效且生态丰富。选择Ubuntu 20.04或22.04 LTS版本最为稳妥，它们长期支持、驱动兼容性好，社区资源充足。安装时建议勾选“安装第三方软件”选项，以便自动配置基础图形驱动和Wi-Fi固件。

　　NVIDIA显卡是深度学习加速的核心，需先确认GPU型号并安装对应版本的驱动。访问nvidia.com/drivers下载.run文件，安装前执行sudo systemctl set-default multi-user.target切换至命令行模式，禁用nouveau驱动（在/etc/modprobe.d/blacklist.conf中添加blacklist nouveau），再运行sudo ./NVIDIA-Linux-.run —no-opengl-files完成安装。重启后用nvidia-smi验证驱动是否正常工作。

　　CUDA Toolkit提供GPU并行计算基础能力，版本必须与驱动和后续框架严格匹配。例如，CUDA 11.8兼容驱动版本≥450.80.02，同时适配PyTorch 2.0+和TensorFlow 2.12+。从developer.nvidia.com/cuda-toolkit-archive下载离线安装包，按官方指引执行安装脚本，并将/usr/local/cuda-11.8/bin加入PATH、/usr/local/cuda-11.8/lib64加入LD_LIBRARY_PATH，写入~/.bashrc后source生效。

2026建议图AI生成，仅供参考

　　Python环境推荐使用Miniconda管理，轻量且隔离性强。下载安装脚本后执行bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3，然后运行$HOME/miniconda3/bin/conda init bash并重启终端。创建独立环境：conda create -n dl python=3.9，conda activate dl，避免系统Python被污染。

　　框架安装优先选用官方预编译包。PyTorch通过pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 安装CUDA 11.8版；TensorFlow则使用pip install tensorflow-gpu==2.12.0（已内置CUDA/cuDNN绑定）。安装后在Python中分别执行import torch; print(torch.cuda.is_available())和import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))确认GPU可用。

　　为提升开发效率，可选配Jupyter Lab：pip install jupyterlab，启动后浏览器访问http://localhost:8888，通过nbextension或jupyter-tensorboard插件集成可视化工具。VS Code配合Python和Remote-SSH扩展，能无缝连接远程训练服务器，实现本地编辑、远程运行。

　　每次更新驱动或CUDA后，务必重新验证cuDNN路径、环境变量及框架GPU检测结果。常见问题包括CUDA_VISIBLE_DEVICES未设置导致多卡识别异常、conda环境未激活导致pip安装到系统Python、以及防火墙拦截Jupyter端口等。善用nvidia-smi、nvcc --version、python -c "import sys; print(sys.path)"等命令快速定位问题根源。

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!