全网最详细教你在Ubuntu20.04安装NVIDIA 驱动+CUDA+cuDNN（避坑版 | 图文详解）_有nvidia还安装cuda吗

前言

在深度学习和高性能计算领域，NVIDIA 的 GPU 提供了强大的加速性能，使得各种计算任务（如神经网络训练、科学计算等）能够高效运行。为了充分利用 NVIDIA GPU 的计算能力，我们需要安装 NVIDIA 驱动、CUDA Toolkit 和 cuDNN。这三者相互配合，构成了一个完整的开发和运行环境，能够帮助开发者高效地利用 GPU 进行深度学习任务。

组件 作用 依赖关系 NVIDIA 驱动 提供 GPU 与操作系统的接口，管理 GPU 的资源与运行环境。 NVIDIA 驱动是运行 CUDA 和 cuDNN 的基础，必须安装。 CUDA Toolkit 提供 GPU 加速的编程框架和库，允许开发者在 GPU 上运行并行计算。 依赖于 NVIDIA 驱动，必须先安装驱动才能使用 CUDA。 cuDNN NVIDIA 提供的深度学习加速库，优化了神经网络的计算。 依赖于 CUDA Toolkit，必须先安装 CUDA 才能使用 cuDNN。

在本篇文章中，我将详细介绍如何在 Ubuntu 20.04 系统上安装和配置 NVIDIA 驱动、CUDA Toolkit 和 cuDNN。这篇文章不仅包含了从安装到配置的完整过程，还将详细讲解每一步的操作，帮助你顺利完成安装。本文也是我在多次踩坑后的经验总结，针对常见的坑进行了详细的说明，确保你能够避免错误并顺利搭建起高效的开发环境。

---

一、安装 NVIDIA 驱动

1. 更新系统（必须）

首先，确保你的系统是最新的，运行以下命令：

sudo apt updatesudo apt upgradesudo apt dist-upgrade

2. 禁用 Nouveau 驱动（必须）

NVIDIA 驱动程序需要禁用 Ubuntu 默认使用的 Nouveau 开源驱动。你可以通过以下步骤来禁用 Nouveau 驱动：

1. 创建一个新的黑名单文件：

   sudo nano /etc/modprobe.d/blacklist-nouveau.conf

2. 在文件中添加以下内容，然后保存并退出：

   blacklist nouveauoptions nouveau modeset=0

   

3. 终端执行以下命令，更新 initramfs：

   sudo update-initramfs -u

4. 重启系统以使更改生效：

   sudo reboot

3. 禁用 i915 驱动（视情况而定）

1. 打开 Windows系统 的设备管理器，点击显示适配器，如图所示我的包括 Intel(R) UHD Graphics 和 NVIDIA GeForce RTX 4050 Laptop GPU，说明我需要禁用集成显卡，以便让独立显卡负责所有图形处理。

   

   对于 Ubuntu 系统，如果你的计算机同样配备了集成显卡（如 Intel UHD Graphics）和独立显卡（如NVIDIA GeForce RTX），可能会遇到类似的问题。默认情况下，Ubuntu 会启用集成显卡驱动（i915驱动），这可能与独立显卡（NVIDIA 驱动）发生冲突，导致系统在启动时出现图形问题或性能瓶颈，如下图：

   

2. 为了解决这一问题，我们可以禁用 i915 驱动，让系统只使用独立显卡。首先，打开终端并编辑 GRUB 配置文件：

   sudo nano /etc/default/grub

3. 找到以下行：

   GRUB_CMDLINE_LINUX_DEFAULT=\"quiet splash\"

   在这一行末尾添加 nomodeset 和 i915.modeset=0，如下所示，然后保存并退出：

   GRUB_CMDLINE_LINUX_DEFAULT=\"quiet splash nomodeset i915.modeset=0\"

   • nomodeset：禁用内核模式设置，防止在启动时加载图形驱动。
   • i915.modeset=0：禁用 i915 驱动的模式设置，确保系统不使用 Intel 集成显卡。

4. 修改完配置文件后，需要更新 GRUB 配置，使修改生效：

   sudo update-grub

4. 安装 NVIDIA 驱动

方法 1：通过软件更新器安装（推荐）

1. 在开始菜单中搜索并打开软件和更新。

2. 切换到附加驱动选项卡，选择系统推荐的附加驱动，并点击应用更改(A)。系统会自动下载并安装所选驱动，稍等片刻即可完成安装。

   

方法 2：通过 Ubuntu 包管理器安装

Ubuntu 20.04 提供了对 NVIDIA 驱动的支持，可以通过 apt 包管理器来安装官方驱动。

1. 运行以下命令以添加 NVIDIA 驱动的 PPA 存储库：

   sudo add-apt-repository ppa:graphics-drivers/ppasudo apt update

2. 使用 ubuntu-drivers devices 命令来查看系统推荐的 NVIDIA 驱动版本。这个命令会扫描你的硬件并列出适合你系统的驱动版本，如下图所示：

   

   在我的系统中，推荐的 NVIDIA 驱动是 nvidia-driver-535-server-open（具体推荐版本可能因硬件不同而有所不同）。

3. 根据 ubuntu-drivers devices 命令输出的推荐驱动版本，使用 apt 安装适合的 NVIDIA 驱动。例如，假设推荐的驱动版本为 nvidia-driver-535-server-open，你可以运行以下命令进行安装：

   sudo apt install nvidia-driver-535-server-open

5. 重启系统

1. 安装完成后，重启计算机以确保新的驱动程序生效：

   sudo reboot

2. 可以使用以下命令检查 NVIDIA 驱动是否正确安装：

   nvidia-smi

   如果显示了 GPU 的相关信息（如下图所示，需要记住图中标注的CUDA Version，下面会用到），说明安装成功。

   

---

二、安装 CUDA Toolkit

1. 打开官网

1. 打开 NVIDIA官网 CUDA Toolkit 下载页面

2. 下滑找到并点击 <= CUDA Version 的CUDA Toolkit下载链接（如图我选择了CUDA Toolkit 12.1.1的下载链接，因为我的CUDA Version：12.2）

   

3. 依次选择Linux->x86_64->Ubuntu->20.04->runfile(local)

   

2. 安装CUDA Toolkit

1. 安装CUDA Toolkit之前需要首先安装一些相互依赖的库文件

   sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

2. 下滑找到Base Installer模块

   

3. 终端执行安装命令：

   wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda_12.1.1_530.30.02_linux.runsudo sh cuda_12.1.1_530.30.02_linux.run

   运行上面指令后，稍等片刻会弹出如下界面，选择Continue并按回车。

   

   输入accept并按回车。

   

   接着，如下图所示，在弹出的界面中通过Enter键，取消Driver和530.30.02的安装，然后点击Install，等待…

   

   提示：是否需要安装 nvidia-fs（NVIDIA 提供的一个特殊文件系统，用于管理和优化 NVIDIA 驱动和硬件资源的交互）？

   • 普通用户：如果你只是进行基本的 CUDA 开发或运行应用程序，不需要特定的文件系统优化，通常不需要选择安装 nvidia-fs。
   • 高性能计算或集群环境：如果你在设置集群或执行需要大量数据传输的高性能计算任务时，nvidia-fs 可能会提供性能优化。

   如下图所示，安装完毕，CUDA Toolkit 已成功安装，但 CUDA 驱动（Driver）没有被安装（正常现象，因为刚才我们取消勾选了Driver和530.30.02的安装）

   

3. 配置环境变量

1. 打开终端，执行以下命令编辑 .bashrc 文件：

   nano ~/.bashrc

2. 在 .bashrc 文件的末尾添加以下几行：

   # CUDA Environment Variables for CUDA 12.1export PATH=/usr/local/cuda-12.1/bin:$PATHexport LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATHexport LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LIBRARY_PATH

   这些行会将 CUDA 可执行文件目录添加到 PATH 环境变量中，并将 CUDA 库目录添加到 LD_LIBRARY_PATH 环境变量中。这样，系统就能正确地找到 CUDA 的工具和库文件。

   注意：需要将所有的12.1换成你安装的CUDA Version版本

   

3. 保存并退出编辑器后，运行以下命令来使环境变量生效：

   source ~/.bashrc

4. 为了验证环境变量是否已正确配置，可以运行以下命令来检查 PATH 和 LD_LIBRARY_PATH 是否包含 CUDA 目录：

   echo $PATHecho $LD_LIBRARY_PATH

   

   此外，运行 nvcc 命令，查看 CUDA 编译器是否可用：

   nvcc --version

   如果显示 CUDA 的版本信息，则说明环境变量已正确配置。

   

---

三、安装 cuDNN

1. 打开官网

1. 打开 NVIDIA cuDNN 历史下载页面

2. 根据自己下载的CUDA Toolkit版本点击相应的cuDNN版本

3. 点击Local Installer for Linux x86 64 (Tar)（需要登录 NVIDIA 开发者账号，推荐Google登录），稍等片刻…

   

2. 安装cuDNN

1. 解压下载的 cuDNN 安装包（cudnn-linux-x86_64-8.9.5.30_cuda12-archive.tar.xz替换为你的安装包的文件名）

   tar -xvf cudnn-linux-x86_64-8.9.5.30_cuda12-archive.tar.xz

   

2. 解压完成后，终端进入下载目录，需要将 cuDNN 文件复制到 CUDA 的相应目录中（cudnn-linux-x86_64-8.9.5.30_cuda12-archive替换为你解压后的文件名，cuda-12.1替换为你的 CUDA Toolkit版本）：

   cd ~/下载sudo cp -r cudnn-linux-x86_64-8.9.5.30_cuda12-archive/include/* /usr/local/cuda-12.1/include/sudo cp -r cudnn-linux-x86_64-8.9.5.30_cuda12-archive/lib/* /usr/local/cuda-12.1/lib64/

3. 确保复制的 cuDNN 文件具有适当的权限，以便其他用户能够访问它们（cuda-12.1替换为你的 CUDA Toolkit版本）：

   sudo chmod a+r /usr/local/cuda-12.1/include/cudnn*.hsudo chmod a+r /usr/local/cuda-12.1/lib64/libcudnn*

4. 安装完成后，运行以下命令验证 cuDNN 是否正确安装：

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

   注意：在较新版本的 cuDNN（如 8.0 及以上）中，cudnn.h 文件不再直接包含版本号宏定义（如CUDNN_MAJOR、CUDNN_MINOR 等），相反，版本信息被移到了 cudnn_version.h 文件中。cuDNN版本 8.0 以下的版本使用命令cat /usr/local/cuda-12.1/include/cudnn_version.h | grep CUDNN_MAJOR -A 2 (cuda-12.1替换为你的 CUDA Toolkit版本)验证安装是否完成。

   如图所示说明cuDNN安装完成，表示安装的 cuDNN 版本为 8.9.5

   

---

结尾

通过本篇文章，我们详细介绍了如何在 Ubuntu 20.04 系统上安装和配置 NVIDIA 驱动、CUDA Toolkit 和 cuDNN，以及它们在深度学习开发中的重要性。从系统更新、驱动安装到 CUDA 和 cuDNN 的配置，每一步都涵盖了详细的操作流程和常见问题的解决方案。

经过这些步骤，你的系统将具备强大的 GPU 加速能力，能够高效地进行深度学习任务的训练和推理工作。无论你是新手还是有一定经验的开发者，这篇文章都能帮助你顺利完成环境搭建，避免安装过程中的一些常见错误。

希望这篇文章能为你节省时间，避免踩坑，让你更专注于深度学习项目的开发。祝你在 AI 和高性能计算的道路上取得更多的成果！