如何在 Ubuntu 22 上安装 CUDA、NVIDIA 显卡驱动以及 PyTorch
虽然现在有很多云厂商都提供了 GPU 服务器，但由于 GPU 的资源稀缺，云 GPU 服务器要么就是价格居高不下，要么就是数量不足无法购买。因此能拥有一块属于自己的 NVIDIA 显卡来跑 AI 程序是最好不过了，虽然现在高端的 NVIDIA 显卡又贵又不好买，但是稍微低端的显卡还是好入手的，随着大模型的配置要求越来越低，在低端显卡上跑一些大模型也不是什么问题。不过即使你拥有了一块自己的 NVIDIA 显卡，但环境配置也是一个麻烦的问题，今天就来分享一下如何在 Ubuntu 22 上安装 CUDA、NVIDIA 显卡驱动以及 PyTorch。
目标
我们的目标是在系统中执行以下命令并返回正确的执行结果（如下图所示）：
nvcc --version: 显示 CUDA 版本nvidia-smi: 显示 NVIDIA 显卡信息- python -c “import torch; print(torch.cuda.is_available())”: 显示 PyTorch 是否可用
只要这些命令执行正常，那就证明我们的 AI 环境搭建成功了。
预安装工作
如果你之前有安装过 NVIDIA 驱动或者 CUDA 程序的话，那么在安装之前需要先卸载之前的驱动和 CUDA 程序，否则可能会导致安装失败。卸载命令如下：
1 | sudo apt autoremove nvidia* --purge |
如果你之前是使用 NVIDIA 官方提供的run文件安装的驱动和 CUDA 程序的话，还需要使用以下命令进行完整卸载：
1 | sudo /usr/bin/nvidia-uninstall |
执行完以上命令后，你的系统就变成了一个”干净”的系统，可以开始安装了。
安装 CUDA
CUDA（Compute Unified Device Architecture）是 NVIDIA 推出的并行计算平台和编程模型。它允许开发者利用 NVIDIA 的 GPU 来进行高效的并行计算。CUDA 为各种应用程序提供了简化的 API 和工具，从而在 GPU 上加速计算密集型任务，如机器学习、科学模拟和图形处理。
首先进入NVIDIA CUDA 版本列表页面，找到你需要的 CUDA 版本，我们的系统是 Ubuntu22.04，CUDA 最早支持 Ubuntu22 的版本是 11.7，因此我们选择 CUDA Toolkit 11.7.1 版本，个人不建议选择太新的版本（比如 12.x 的版本），因为新版本的 CUDA 可能会有兼容性问题。
进入该版本的下载页面，选择对应的操作系统、架构、操作系统、版本，安装方式，就可以看到相应的安装命令。
注意上图中最后一步命令，不要执行sudo apt-get -y install cuda命令，不然会安装最新的 CUDA（12.x 的版本），我们是要安装 CUDA 11.7，安装命令如下：
1 | wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb |
安装完成后，我们就可以在终端中直接使用nvcc命令了，命令执行结果如下：
1 | $ nvcc --version |
安装驱动
安装完 CUDA 后，我们继续安装 NVIDIA 显卡驱动程序。
NVIDIA 显卡驱动是一套软件程序，用于使操作系统和计算机硬件与 NVIDIA 图形卡进行通信。它能优化显卡的性能，支持新游戏的图形要求，同时修复已知的错误和兼容性问题。定期更新驱动可以确保显卡的最佳性能和稳定性。
首先检查下显卡的信息，执行以下命令：
1 | $ lspci | grep -i nvidia |
可以看到这台机器的显卡型号是 NVIDIA Quadro M6000 ，然后我们再看操作系统推荐安装的显卡驱动是什么，命令如下：
1 | $ ubuntu-drivers devices |
可以看到系统推荐安装的驱动是 nvidia-driver-470，然后我们再通过如下命令安装显卡驱动：
1 | sudo apt install nvidia-driver-470 |
安装完驱动程序后需要重启系统，执行命令sudo reboot重启系统，重启完成后再执行nvidia-smi查看显卡详细信息：
1 | $ nvidia-smi |
安装 PyTorch
我们的目标已经完成了三分之二了，最后我们再来看如何安装 PyTorch。
PyTorch 是一个开源的深度学习框架，由 Facebook 的 AI 研究组开发。它提供了灵活的张量计算工具，支持 GPU 加速，并具有动态计算图特性，使其在研究和原型设计中受到青睐。PyTorch 不仅支持神经网络建模，还提供广泛的 API 和库，适用于机器学习、计算机视觉和自然语言处理任务。
安装 PyTorch 可以使用 Pip 安装，但推荐先使用 Conda 来进行 Python 环境管理，Conda 是一个开源的包管理和环境管理系统，主要用于安装各种软件包和依赖，以及创建、保存和切换多个环境。它支持多种语言，尤其是 Python。Conda 的主要优势在于其能够解决库与依赖项之间的兼容性问题，并允许用户轻松地创建隔离的开发或运行环境，避免软件冲突。Conda 的安装可以看这里，选择 Miniconda 就可以了。
安装完 Conda 后，我们进入PyTorch 的页面，在INSTALL PYTORCH章节选择 PyTorch 版本、操作系统、安装方式、编程语言、CUDA 版本，然后就可以看到 PyTorch 的安装命令了。
安装完后执行命令显示 PyTorch 是否可用：
1 | $ python -c "import torch; print(torch.cuda.is_available())" |
有时候我们安装了 CUDA 和 PyTorch 后，执行以上命令仍显示Flase（不可用），系统会提示Torch not compiled with CUDA的错误，这是因为 CUDA 和 PyTorch 的版本不兼容导致的，我们可以通过以下命令查看 CUDA 和 PyTorch 的版本：
1 | $ nvcc --version # 查看 CUDA 版本 |
如果 CUDA 和 PyTorch 的版本不兼容，那么我们就需要重新安装 PyTorch，需要先卸载老的 PyTorch 版本：
1 | pip uninstall torch torchvision torchaudio |
卸载完成后，重新按照上面的方法安装 PyTorch 即可。
总结
刚接触 AI 环境部署时，可能很多人对这些概念不是很清楚，比如 CUDA、NVIDIA 驱动、PyTorch 等，在部署过程中可能也会遇到诸多问题，但只要慢慢了解这些概念，同时多部署几次，就会熟悉其中的操作，希望这篇文章可以帮助你快速的熟悉 AI 环境的部署，如果你有什么问题，欢迎在评论区留言讨论。
关注我，一起学习各种人工智能和 AIGC 新技术，欢迎交流，如果你有什么想问想说的，欢迎在评论区留言。
