ubuntu22.04安装gpustack

### 在 Ubuntu 22.04 上安装 GPU Stack 的方法 #### 安装 NVIDIA 驱动程序 为了使 GPU 能够正常工作，首先需要安装适合的 NVIDIA 显卡驱动程序。可以通过以下命令来查找并安装最新的稳定版驱动： ```bash sudo ubuntu-drivers autoinstall ``` 此命令会自动检测系统的硬件需求，并安装推荐的最佳驱动版本[^1]。 完成驱动安装后，重启系统以应用更改： ```bash sudo reboot ``` #### 安装 CUDA 工具包 CUDA 是 NVIDIA 提供的一个用于开发高性能计算应用程序的平台。以下是安装 CUDA 的具体操作流程： 1. 添加官方 CUDA 存储库密钥以及存储库地址： ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb ``` 2. 更新 APT 缓存并将 CUDA 包加入源列表： ```bash sudo apt update ``` 3. 安装 CUDA 基础工具包及其依赖项： ```bash sudo apt install -y cuda ``` 上述过程完成后，可通过设置环境变量让系统识别 CUDA 库路径。编辑 `~/.bashrc` 文件，在文件末尾追加以下内容： ```bash export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ``` 随后执行以下命令使其生效： ```bash source ~/.bashrc ``` 验证安装是否成功可运行测试样例程序： ```bash nvcc --version nvidia-smi ``` 如果以上两个命令均能返回预期的结果，则表明 CUDA 及其关联组件已正确部署完毕。 #### 使用 Docker 并支持 GPU 加速 对于希望利用容器化技术管理项目的开发者来说，确保 Docker 中能够调用宿主机上的 GPU 功能至关重要。按照下面的方法配置即可实现这一目标： 先确认已经安装好 nvidia-container-toolkit 插件，它允许 Docker 访问 NVIDIA 设备资源。通过这些步骤完成插件加载与初始化： ```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/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit sudo systemctl restart docker ``` 创建一个新的基于 TensorFlow 或 PyTorch 等框架镜像时，记得指定参数以共享物理机中的显卡设备给虚拟空间使用。例如启动一个带有 GPU 支持的新实例： ```bash docker run --gpus all -it nvcr.io/nvidia/pytorch:22.07-py3 bash ``` 另外还可以挂载本地数据目录至容器内部以便于调试或者训练模型过程中读取素材文件[^4]: ```bash docker run --gpus all -v /path/to/host/directory:/container/path -it image_name command_to_run_inside_container ``` #### CMake 构建项目时启用 GPU 特性 当涉及到某些复杂工程构建（如 Point Cloud Library, PCL），可能还需要额外调整 CMake 参数才能充分利用图形处理器带来的优势。参照先前提到的例子，我们可以在实际编译之前定义几个开关标志位告知脚本开启哪些特性模块[^3]: 假设当前位于解压后的源码根目录下，那么完整的指令序列应该是这样的样子： ```bash mkdir build && cd build cmake \ -DCMAKE_BUILD_TYPE=Release \ -DBUILD_GPU=ON \ -DPCL_ENABLE_OPENMP=ON .. make -j$(nproc) sudo make install ``` 这样做的好处在于不仅加快了整体运算速度而且减少了内存占用情况的发生几率。 ---