ubuntu虚拟机linux搭建cuda环境

### 在 Ubuntu 虚拟机中安装和配置 CUDA 环境 在虚拟环境中安装和配置 CUDA 可能会遇到一些挑战，因为大多数虚拟化平台并不完全支持 GPU 加速功能。然而，如果你使用的虚拟化软件（如 VMware 或 VirtualBox）提供了对 NVIDIA vGPU 的支持，则可以在虚拟机中实现 CUDA 功能。 以下是关于如何在 Ubuntu 虚拟机中安装和配置 CUDA 环境的具体说明： #### 1. 检查硬件和虚拟化环境的支持情况 确保宿主机上的物理 GPU 支持虚拟化技术，并确认虚拟化平台已启用该功能。例如，在 VirtualBox 中可以通过扩展包启用 PCI 设备直通；而在 VMware Workstation Pro 中则可以直接分配 NVIDIA 显卡给虚拟机[^1]。 #### 2. 更新系统并安装必要依赖项 运行以下命令来更新系统的软件源列表以及升级现有包： ```bash sudo apt update && sudo apt upgrade -y ``` 接着安装编译工具链和其他必需组件： ```bash sudo apt install build-essential cmake git wget unzip -y ``` 注意：如果 GCC 版本不符合目标 CUDA 工具集的要求，可能会触发 `Failed to verify gcc version` 错误消息。此时可尝试指定参数覆盖默认校验逻辑或者切换至匹配版本的编译器实例[^3]。 #### 3. 安装 NVIDIA 驱动程序 对于特定发行版 (此处假设为 ubuntu-v-22.04)，推荐最高支持 cuda-v-11.7.0 。执行如下脚本来自动完成驱动部署过程： ```bash distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update sudo apt-get install nvidia-driver-525 reboot ``` 重启之后验证渲染服务状态正常与否： ```bash nvidia-smi ``` #### 4. 下载并安装 CUDA Toolkit 访问官方下载页面获取适合当前架构与 OS 类型对应的 .run 文件链接地址。随后依据提示逐步引导直至结束。 ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-repo-ubuntu2204_11.7.0-1_amd64.deb sudo dpkg -i cuda-repo-*.deb sudo cp /var/cuda-repo-*/*.pub /etc/apt/trusted.gpg.d/ sudo apt-get update sudo apt-get -y install cuda export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ``` 当遭遇某些特殊情况下的冲突时，比如无法满足既定条件限制等问题发生时，可以考虑强制跳过部分检查环节继续推进流程--override选项即为此类场景设计而成。 #### 5. 测试 CUDA 是否工作正常 进入 samples 子目录挑选简单示例测试其能否顺利构建及运行成果展示效果良好即可证明基本设置无误。 ```bash cd /usr/local/cuda/samples/1_Utilities/deviceQuery make ./deviceQuery ``` #### 6. （可选）集成 PyTorch 和其他框架 最后一步便是利用先前建立好的基础设施进一步拓展应用范围，像引入机器学习领域常用的 pytorch 库一样便捷高效。 ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 ``` 以上步骤完成后便可在基于 ubuntu 构建起来得 vm 内部充分利用 gpu 性能优势开展各类计算密集型任务处理活动啦！