1. 项目概述在深度学习、科学计算和图形处理领域CUDA作为NVIDIA推出的并行计算平台和编程模型已成为GPU加速计算的行业标准。本文将详细介绍在Ubuntu 20.04 LTS系统上安装CUDA 11.8的全过程涵盖从系统准备到环境验证的完整流程。作为长期稳定支持版本Ubuntu 20.04 LTSFocal Fossa与CUDA 11.8的组合能够为机器学习开发者和高性能计算用户提供稳定的开发环境。这个组合特别适合需要长期维护的项目以及那些对系统稳定性要求高于最新功能特性的应用场景。2. 环境准备与依赖检查2.1 系统要求确认首先需要确认系统满足CUDA 11.8的最低要求64位x86架构CPU至少4GB可用磁盘空间GCC 9.3.0或更低版本CUDA 11.8不支持更高版本的GCC至少4GB系统内存推荐8GB以上兼容的NVIDIA GPU计算能力3.5及以上可以通过以下命令检查系统信息uname -m cat /etc/*release gcc --version free -h2.2 NVIDIA驱动检查CUDA安装前需要确保系统已安装适当版本的NVIDIA驱动。CUDA 11.8要求驱动版本至少为520.61.05推荐使用525系列驱动。检查当前驱动版本nvidia-smi如果未安装驱动或版本过低可以通过Ubuntu官方仓库或NVIDIA官网安装最新驱动sudo ubuntu-drivers autoinstall注意如果使用第三方PPA源安装驱动可能会与CUDA官方安装包产生冲突建议优先使用Ubuntu官方仓库或NVIDIA官方驱动。3. CUDA 11.8安装过程3.1 下载CUDA Toolkit访问NVIDIA开发者网站获取CUDA 11.8安装包。对于Ubuntu 20.04选择以下安装方式网络安装包较小安装时下载本地安装包较大包含所有组件推荐使用本地安装包以避免网络问题wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb3.2 安装准备添加CUDA仓库密钥并安装依赖sudo apt-key add /var/cuda-repo-ubuntu2004-11-8-local/7fa2af80.pub sudo apt update sudo apt install build-essential3.3 执行安装安装CUDA Toolkitsudo dpkg -i cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb sudo apt-get update sudo apt-get -y install cuda安装过程可能需要10-30分钟取决于网络速度和系统配置。4. 环境配置与验证4.1 路径配置将CUDA添加到系统路径中echo export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}} ~/.bashrc source ~/.bashrc4.2 安装验证验证CUDA安装是否成功nvcc --version运行示例程序测试功能cd /usr/local/cuda-11.8/samples/1_Utilities/deviceQuery make ./deviceQuery如果看到Result PASS输出表示CUDA安装成功。5. 常见问题与解决方案5.1 驱动冲突问题症状安装后无法进入图形界面或nvidia-smi无法运行。 解决方案sudo apt purge nvidia* sudo ubuntu-drivers autoinstall sudo apt install cuda5.2 GCC版本过高CUDA 11.8不支持GCC 10及以上版本。如果系统GCC版本过高sudo apt install gcc-9 g-9 sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 9 sudo update-alternatives --install /usr/bin/g g /usr/bin/g-9 95.3 缺少依赖项如果安装过程中报告缺少依赖sudo apt --fix-broken install sudo apt install freeglut3-dev libxi-dev libxmu-dev6. 性能优化建议6.1 持久化模式设置启用NVIDIA GPU持久化模式减少初始化延迟sudo nvidia-smi -pm 16.2 内存管理配置在/etc/profile.d/目录下创建cuda-optimization.sh文件添加以下内容export CUDA_CACHE_PATH$HOME/.nv/ComputeCache export CUDA_CACHE_MAXSIZE10737418246.3 多版本CUDA管理如果需要管理多个CUDA版本可以使用update-alternativessudo update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-11.8 100 sudo update-alternatives --config cuda7. 开发环境配置7.1 cuDNN安装深度学习开发通常需要安装cuDNN。下载对应CUDA 11.8的cuDNN包后sudo dpkg -i libcudnn8_8.6.0.163-1cuda11.8_amd64.deb sudo dpkg -i libcudnn8-dev_8.6.0.163-1cuda11.8_amd64.deb7.2 TensorRT集成对于AI推理加速可以安装TensorRTsudo apt-get install libnvinfer8 libnvinfer-plugin8 libnvparsers8 libnvonnxparsers8 libnvinfer-bin libnvinfer-dev libnvinfer-plugin-dev7.3 容器化开发考虑使用NVIDIA容器工具包进行开发环境隔离distribution$(. /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 docker8. 维护与更新8.1 定期更新保持CUDA环境更新sudo apt update sudo apt --only-upgrade install cuda8.2 日志监控检查CUDA相关服务状态journalctl -u nvidia-persistenced8.3 性能监控使用NVIDIA提供的工具监控GPU使用情况nvidia-smi -l 1在实际使用中我发现保持驱动和CUDA版本的匹配至关重要。特别是在系统自动更新后有时会导致驱动版本不兼容此时需要手动调整驱动版本或重新安装CUDA工具包。建议在重要的生产环境中锁定特定版本的驱动和CUDA避免自动更新带来的兼容性问题。