深度学习环境配置实战：从零搭建5080显卡开发环境避坑指南

1次阅读

共计 2295 个字符，预计需要花费 6 分钟才能阅读完成。

在开始配置深度学习环境之前，首先要确保硬件和系统环境满足基本要求。NVIDIA 5080 显卡是一款高性能计算卡，需要特定的驱动和支持才能发挥其全部潜力。

操作系统：建议使用 Ubuntu 20.04 LTS 或更高版本，因为大多数深度学习框架对 Linux 系统的支持更为完善。
驱动版本：NVIDIA 显卡驱动需要与 CUDA Toolkit 版本匹配。5080 显卡推荐使用驱动版本 470.x 或更高。可以通过 NVIDIA 官网查询兼容性列表。

安装 NVIDIA 驱动
首先，确保系统没有安装旧版本的 NVIDIA 驱动。可以通过以下命令卸载旧驱动：
```
sudo apt-get purge nvidia*
```
然后，添加 NVIDIA 官方 PPA 并安装驱动：
```
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-get install nvidia-driver-470
```
安装完成后，重启系统并运行 nvidia-smi 命令验证驱动是否安装成功。
安装 CUDA Toolkit
CUDA Toolkit 是 NVIDIA 提供的并行计算平台，深度学习框架依赖它来加速计算。推荐安装 CUDA 11.4 版本：
```
wget https://developer.download.nvidia.com/compute/cuda/11.4.0/local_installers/cuda_11.4.0_470.42.01_linux.run
sudo sh cuda_11.4.0_470.42.01_linux.run
```
安装过程中，确保选择“Install”选项并同意许可协议。安装完成后，将 CUDA 路径添加到环境变量中：
```
echo 'export PATH=/usr/local/cuda-11.4/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.4/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc
```
运行 nvcc --version 验证 CUDA 是否安装成功。

安装 cuDNN
cuDNN 是 NVIDIA 提供的深度学习加速库，需要注册 NVIDIA 开发者账号并下载对应版本的 cuDNN。下载后解压并复制文件到 CUDA 目录：

tar -xzvf cudnn-11.4-linux-x64-v8.2.4.15.tgz
sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.4/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.4/lib64
sudo chmod a+r /usr/local/cuda-11.4/include/cudnn*.h /usr/local/cuda-11.4/lib64/libcudnn*

PyTorch：PyTorch 以其动态计算图和易用性受到广泛欢迎。安装 PyTorch 非常简单，可以通过 pip 直接安装：
```
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu114
```
TensorFlow：TensorFlow 在工业界应用广泛，尤其适合大规模分布式训练。安装 TensorFlow GPU 版本：
```
pip install tensorflow-gpu==2.6.0
```

以下是一个简单的 Python 脚本，用于检测 GPU 是否可用并运行一个基准测试：

import torch

# 检测 GPU 是否可用
print(f"CUDA available: {torch.cuda.is_available()}")
print(f"GPU device count: {torch.cuda.device_count()}")
print(f"Current GPU: {torch.cuda.current_device()}")
print(f"GPU name: {torch.cuda.get_device_name(0)}")

# 简单的基准测试
x = torch.randn(10000, 10000).cuda()
y = torch.randn(10000, 10000).cuda()
z = x @ y
print("Matrix multiplication completed.")