ubuntu 双系统 深度学习环境搭建

### 配置深度学习环境的方法 在 Ubuntu 双系统中配置深度学习环境是一个常见的需求，以下是详细的说明： #### 1. 安装 NVIDIA 显卡驱动程序 为了支持 GPU 加速的深度学习框架（如 TensorFlow 和 PyTorch），需要先安装适合的 NVIDIA 显卡驱动程序。可以通过以下命令来更新和安装最新的显卡驱动： ```bash sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo ubuntu-drivers autoinstall ``` 完成上述操作后重启计算机以应用更改[^4]。 #### 2. 安装 CUDA 工具包 CUDA 是由 NVIDIA 提供的一套开发工具集，用于实现 GPU 并行计算功能。可以从官方网站下载对应版本的 CUDA 工具包，并按照提示进行安装。例如，在终端运行以下命令： ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb sudo apt-get update sudo apt-get -y install cuda ``` #### 3. 安装 cuDNN 库 cuDNN 是一种针对深度神经网络优化的库，能够显著提升训练速度。同样需前往 NVIDIA 的官方网站获取最新版 cuDNN 文件并解压至指定目录 `/usr/local/cuda` 下。 #### 4. 设置环境变量 为了让操作系统识别新安装的软件组件，还需修改 `.bashrc` 或其他 shell 初始化脚本中的路径设置： ```bash echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc ``` #### 5. 测试 GPU 是否正常工作 通过执行 `nvidia-smi` 命令验证硬件状态以及驱动加载情况；如果一切顺利，则继续下一步测试 Python 中调用 GPU 功能是否成功： ```python import tensorflow as tf print(tf.test.is_gpu_available()) ``` #### 6. 安装必要的深度学习框架及其依赖项 最后一步就是根据个人偏好选择合适的机器学习/深度学习平台进行部署。比如 pip 方式的简单快捷方法如下所示： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 pip install tensorflow-gpu==2.x.x keras scikit-learn pandas matplotlib seaborn jupyterlab notebook spyder etc. ``` 以上就是在 Ubuntu 单独作为双系统的环境中构建完整的 AI 开发流水线所需经历的主要环节概述[^1][^3]。 ---