ubuntu20.04虚拟环境cudnn8.6

### 创建带有 cuDNN 8.6 的 Python 虚拟环境 为了在 Ubuntu 20.04 上创建一个包含 cuDNN 8.6 的 Python 虚拟环境，需先确保系统已正确安装 CUDA 和 cuDNN。以下是具体操作方法： #### 验证 CUDA 和 cuDNN 安装情况 确认当前环境中 CUDA 版本是否满足需求以及是否有多个版本的 cuDNN 文件残留影响新版本安装。 ```bash nvcc --version nvidia-smi sudo dpkg -l | grep cudnn ``` 如果存在旧版 cuDNN，则按照如下命令清理遗留文件[^3]: ```bash sudo apt-get purge cudnn-local-repo-ubuntu2004-8.5.0.96 sudo dpkg -l | grep cudnn ``` 当 `dpkg` 命令无任何输出时表示卸载完成。 #### 下载并安装 cuDNN 8.6 前往 NVIDIA 官方网站下载适用于 Ubuntu 20.04 的 cuDNN 8.6 deb 包，并通过以下方式安装: ```bash wget https://developer.download.nvidia.com/compute/redist/cudnn/v8.6.0/local_repos/cudnn-local-repo-ubuntu2004-8.6.0.163_1.0-1_amd64.deb sudo dpkg -i cudnn-local-repo-ubuntu2004-8.6.0.163_1.0-1_amd64.deb sudo apt-get update && sudo apt-get install libcudnn8=8.6.0.163-1+cuda11.8 ``` 以上指令会更新本地软件源并将指定版本号的 cuDNN 库加入到系统的库路径中[^1]。 #### 设置 Python 虚拟环境 使用 conda 或者 venv 工具来构建独立于全局解释器之外的工作区，在此工作区内可以自由管理依赖关系而不会干扰其他项目。 ##### 使用 Conda 构建虚拟环境 (推荐) Conda 是 Anaconda 发布的一个开源包管理系统和环境管理系统，支持多平台跨语言管理和部署应用所需的全部组件。 ```bash # 如果尚未安装 Miniconda/Anaconda, 可以访问官网获取最新安装脚本. # 否则跳过这一步骤. # 新建名为 "dl_env" 的 python3.x 环境并激活它 conda create --name dl_env python=3.9 conda activate dl_env # 添加 channels 并安装 pytorch 和 torchvision 组件 conda config --add channels conda-forge conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch-nightly # 测试 GPU 是否可用 python -c "import torch;print(torch.cuda.is_available())" ``` 对于 TensorFlow 用户来说，可以直接 pip 安装对应版本的 tensorflow-gpu 即可获得 GPU 加速功能。 ##### 使用 Venv 构建虚拟环境 Venv 是 Python 自带的一种轻量级工具用于隔离不同项目的依赖项。 ```bash # 初始化一个新的 virtual environment 名为 'venv' python3 -m venv ./venv source ./venv/bin/activate pip install --upgrade pip setuptools wheel pip install nvidia-cuda-toolkit==11.8.* \ torch===2.4.1+cu118 \ torchvision===0.15.2+cu118 \ torchaudio===2.4.1 \ --extra-index-url https://download.pytorch.org/whl/cu118 deactivate ``` 注意替换上述 URL 中的具体 PyTorch/TensorFlow 版本号以匹配实际使用的框架版本。