深度学习环境配置_ubuntu

### 配置 Ubuntu 上的深度学习环境 #### 更换国内源 为了加速软件包和其他资源的下载速度，建议更换为国内镜像源。编辑 `/etc/apt/sources.list` 文件并替换为阿里云或其他国内源的内容[^1]。 #### GPU驱动安装 确保系统已更新至最新状态后，通过官方推荐的方式安装NVIDIA显卡驱动程序。对于Ubuntu 20.04 LTS版本来说，可以通过如下命令来完成GPU驱动的安装： ```bash sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update ubuntu-driver autoinstall ``` 这一步骤能够保证获取最新的稳定版驱动器支持。 #### Anaconda 安装 选择合适的Anaconda发行版进行本地化部署。根据最近的信息，可以从清华大学开源软件镜像站下载适用于Linux系统的Anaconda3安装脚本 `Anaconda3-2024.02-1-Linux-x86_64.sh ``` 此操作将引导用户完成整个设置流程，并允许自定义安装路径等选项[^4]。 #### PyTorch CPU 版本安装 如果不需要利用GPU加速计算，则可以直接使用Conda工具链快速建立仅含PyTorch库的基础开发环境： ```bash conda create --name pytorch_cpu python=3.9 conda activate pytorch_cpu conda install pytorch torchvision torchaudio cpuonly -c pytorch ``` 上述指令集创建了一个名为`pytorch_cpu`的新虚拟环境，并在其内部安装了针对CPU优化过的PyTorch及相关组件。 #### CUDA 和 cuDNN 安装 对于希望启用CUDA功能的支持者而言，在成功配置好硬件层面之后还需要额外引入相应的运行时库。具体做法是从英伟达官方网站挑选与操作系统匹配度最高的cuDNN Runtime Library版本（例如面向Ubuntu 18.04设计的.deb格式文件），并通过APT包管理系统实施自动化部署[^2]: ```bash wget https://developer.download.nvidia.com/compute/redist/cudnn/v8.x.y.z/.../libcudnn8_x_y_z_cuda11.2_wsl_ugly_workaround_amd64.deb sudo dpkg -i libcudnn8*.deb ``` 注意这里假设读者已经完成了前期准备工作——即正确设置了CUDA Toolkit以及关联的依赖关系。 #### PyTorch-GPU 版本安装 一旦确认所有必要的前置条件均已满足，即可着手准备构建完整的PyTorch框架实例。此时应优先考虑采用预编译形式发布的二进制分发包，因为它们通常包含了经过充分测试验证的最佳实践组合方案： ```bash conda create --name pytorch_gpu python=3.9 conda activate pytorch_gpu conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` 这段代码片段旨在设立一个新的Python解释器沙盒空间(`pytorch_gpu`)，随后加载由社区维护的一系列科学计算扩展模块及其配套的数据处理接口集合。 #### TensorFlow 安装 最后介绍TensorFlow的安装方法。考虑到不同应用场景下的特殊需求差异较大，因此提供了多种灵活多变的选择途径供开发者参考借鉴。最简便易行的办法莫过于借助于Miniconda或Full Conda平台实现一键式集成体验： ```bash conda create --name tensorflow_env python=3.9 conda activate tensorflow_env pip install tensorflow ``` 以上步骤同样遵循类似的逻辑结构：先是划定独立的工作区间(tensorflow_env)，接着激活该上下文以便后续操作生效；紧接着调用Pip工具负责搬运目标对象入库存储。