在Ubuntu中配置CUDA和cuDNN

本文将详细介绍如何在WSL（Windows Subsystem for Linux）中配置CUDA和cuDNN。

1. 确认显卡支持的CUDA版本

在安装CUDA之前，首先需要确认显卡支持的CUDA版本。NVIDIA官网提供了显卡支持的CUDA版本列表，可以访问

NVIDIA官方支持页面查找您的显卡支持的CUDA版本或者通过以下命令检查GPU信息：

  nvidia-smi

此命令会显示显卡的详细信息，包括当前安装的驱动程序和支持的CUDA版本。

2. 确认PyTorch支持的CUDA版本

为了避免版本不兼容问题，还需要确保您安装的CUDA版本与PyTorch的支持版本匹配。您可以在PyTorch官网选择适合您系统的安装命令，PyTorch官网也会列出支持的CUDA版本。

3. CUDA 安装步骤

以下步骤将指导您在WSL中安装CUDA 12.4（此版本仅为示例，请根据您的显卡支持和PyTorch需求调整CUDA版本）：

1. 下载并配置CUDA安装包：

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600

2. 下载并安装CUDA包：

wget https://developer.download.nvidia.com/compute/cuda/12.4.1/local_installers/cuda-repo-wsl-ubuntu-12-4-local_12.4.1-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-12-4-local_12.4.1-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-12-4-local/cuda-*-keyring.gpg /usr/share/keyrings/

3. 更新软件包列表并安装CUDA Toolkit：

sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-4

4. 配置环境变量：

确保您的环境变量正确配置，在终端中执行以下命令：

export PATH=/usr/local/cuda-12.4/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-12.4/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

或者在 ~/.bashrc文件中添加上述命令，保存后执行 source ~/.bashrc。

5. 验证CUDA是否成功安装：

nvcc --version

4. cuDNN 安装步骤

cuDNN 是深度学习中的一个重要库，它与CUDA配合使用。以下是安装cuDNN的步骤：

1. 下载cuDNN安装包并安装：

wget https://developer.download.nvidia.com/compute/cudnn/9.5.0/local_installers/cudnn-local-repo-ubuntu2204-9.5.0_1.0-1_amd64.deb
sudo dpkg -i cudnn-local-repo-ubuntu2204-9.5.0_1.0-1_amd64.deb
sudo cp /var/cudnn-local-repo-ubuntu2204-9.5.0/cudnn-*-keyring.gpg /usr/share/keyrings/

2. 更新软件包列表并安装cuDNN：

sudo apt-get update
sudo apt-get -y install cudnn

3. 如果您使用CUDA 12，则可以执行以下命令安装CUDA 12 版本的cuDNN：

sudo apt-get -y install cudnn-cuda-12

5. 验证cuDNN是否安装成功

1. 通过查看cuDNN头文件中的版本号验证：

cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

2. 使用 dpkg 命令查看cuDNN包是否正确安装：

dpkg -l | grep cudnn

6. 常见问题与解决方案

1. CUDA安装后 nvcc命令不可用：
   如果安装完成后 nvcc命令不可用，请确保您的环境变量已正确配置。在 ~/.bashrc中添加以下内容：

   export PATH=/usr/local/cuda-12.4/bin${PATH:+:${PATH}}
   export LD_LIBRARY_PATH=/usr/local/cuda-12.4/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
   

2. PyTorch找不到CUDA设备：
   如果安装了CUDA和cuDNN，但PyTorch仍然无法识别GPU设备，首先确保您的PyTorch安装是CUDA版本（例如 torch==1.12.0+cu116），并检查GPU驱动程序是否正确安装。

7. 总结

通过本指南，您可以在WSL中成功配置CUDA和cuDNN用于深度学习任务。