PyTorch 2.8 深度学习环境搭建：Ubuntu系统依赖与CUDA配置详解
PyTorch 2.8 深度学习环境搭建：Ubuntu系统依赖与CUDA配置详解
1. 引言
深度学习环境搭建是每个AI开发者必须掌握的技能。PyTorch作为当前最流行的深度学习框架之一，其环境配置直接影响后续模型训练和推理的效率。本文将手把手带你完成Ubuntu系统下PyTorch 2.8的完整环境搭建，重点解决GPU加速所需的NVIDIA驱动、CUDA和cuDNN配置问题。
无论你是刚接触深度学习的新手，还是需要升级环境的开发者，这篇教程都能帮你避开常见的坑。我们将从最基本的显卡驱动检查开始，到最终验证PyTorch能否正确调用GPU，每个步骤都配有详细的命令和解释。
2. 环境准备
2.1 硬件与系统要求
在开始之前，请确保你的设备满足以下基本要求：
- 显卡：NVIDIA显卡（建议RTX 20系列及以上）
- 系统：Ubuntu 20.04或22.04 LTS版本（其他版本可能需额外调整）
- 内存：建议至少16GB
- 存储：建议预留50GB以上空间
小提示：如果你用的是云服务器，通常已经预装了基础驱动，可以直接跳到CUDA安装部分。
2.2 基础工具安装
首先更新系统并安装必要的编译工具：
sudo apt update sudo apt upgrade -y sudo apt install -y build-essential gcc make cmake这些工具是后续安装NVIDIA驱动和编译CUDA程序的基础。
3. NVIDIA驱动安装
3.1 检查现有驱动
运行以下命令查看当前显卡和驱动信息：
nvidia-smi如果看到类似下面的输出，说明驱动已安装：
+-----------------------------------------------------------------------------+ | NVIDIA-SMI 535.86.05 Driver Version: 535.86.05 CUDA Version: 12.2 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |===============================+======================+======================| | 0 NVIDIA GeForce ... On | 00000000:01:00.0 Off | N/A | | N/A 45C P8 N/A / N/A | 200MiB / 8192MiB | 0% Default | | | | N/A | +-------------------------------+----------------------+----------------------+如果提示"command not found"，则需要安装驱动。
3.2 自动安装推荐驱动
Ubuntu提供了简单的驱动安装方式：
ubuntu-drivers devices sudo ubuntu-drivers autoinstall安装完成后重启系统：
sudo reboot3.3 验证驱动安装
再次运行nvidia-smi，确认驱动版本和显卡信息正常显示。
4. CUDA与cuDNN安装
4.1 安装CUDA Toolkit
PyTorch 2.8官方推荐使用CUDA 11.8或12.1。以下是CUDA 11.8的安装步骤：
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run sudo sh cuda_11.8.0_520.61.05_linux.run安装时注意：
- 取消勾选"NVIDIA Driver"（我们已单独安装驱动）
- 确保"CUDA Toolkit"被选中
- 记住安装路径（默认是/usr/local/cuda-11.8）
安装完成后，将CUDA加入环境变量：
echo 'export PATH=/usr/local/cuda-11.8/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc验证CUDA安装：
nvcc --version4.2 安装cuDNN
cuDNN是NVIDIA提供的深度学习加速库。首先从官网下载对应版本（需要注册账号），然后安装：
sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.4.25_1.0-1_amd64.deb sudo cp /var/cudnn-local-repo-ubuntu2204-8.9.4.25/cudnn-local-*-keyring.gpg /usr/share/keyrings/ sudo apt update sudo apt install -y libcudnn8 libcudnn8-dev5. PyTorch安装与验证
5.1 安装PyTorch 2.8
使用pip安装PyTorch及其依赖：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118注意：这里的cu118表示CUDA 11.8版本。如果你安装了其他CUDA版本，请相应调整。
5.2 验证GPU可用性
启动Python解释器，运行以下代码：
import torch print(torch.__version__) # 应该显示2.8.x print(torch.cuda.is_available()) # 应该返回True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号如果一切正常，恭喜你已成功配置PyTorch GPU环境！
6. 常见问题解决
6.1 CUDA版本不匹配
如果遇到类似"CUDA version mismatch"的错误，可能是PyTorch与CUDA版本不兼容。解决方法：
- 确认
nvidia-smi显示的CUDA版本 - 根据版本重新安装对应PyTorch：
- CUDA 11.8：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 - CUDA 12.1：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
- CUDA 11.8：
6.2 驱动版本过低
如果nvidia-smi显示的驱动版本较旧，建议升级：
sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt upgrade6.3 内存不足问题
训练时如果遇到CUDA out of memory错误，可以尝试：
- 减小batch size
- 使用混合精度训练
- 清理不必要的内存占用
7. 总结
通过这篇教程，我们完成了从零开始搭建PyTorch 2.8深度学习环境的全过程。从NVIDIA驱动安装、CUDA和cuDNN配置，到最终验证PyTorch能否正确调用GPU，每个步骤都至关重要。实际使用中可能会遇到各种环境问题，但掌握了这些基础知识后，大部分问题都能通过类似的方法解决。
建议在开始大型项目前，先用小段测试代码验证环境是否正常工作。后续还可以考虑使用conda或docker来管理不同版本的环境，避免冲突。深度学习环境搭建虽然繁琐，但一次正确的配置可以让你后续的开发事半功倍。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。