Ubuntu 22.04安装CUDA 11.8与cuDNN 8.x指南

1. 环境准备与基础检查

在Ubuntu 22.04系统上部署CUDA 11.8和cuDNN 8.x是搭建深度学习开发环境的标准操作。这个组合经过长期验证，能够稳定支持主流深度学习框架（如TensorFlow 2.x/PyTorch 2.0）的GPU加速需求。开始前需要确认几个关键前提：

• 确认NVIDIA显卡型号支持CUDA（可通过lspci | grep -i nvidia查看）
• 建议系统内核版本不低于5.15（uname -r查看）
• 确保已安装最新版NVIDIA驱动（推荐使用官方.run文件安装）

重要提示：Ubuntu默认的nouveau驱动会与NVIDIA驱动冲突，安装前需执行：

bash复制sudo bash -c "echo blacklist nouveau > /etc/modprobe.d/blacklist-nvidia-nouveau.conf"
sudo bash -c "echo options nouveau modeset=0 >> /etc/modprobe.d/blacklist-nvidia-nouveau.conf"
sudo update-initramfs -u

完成后重启系统验证是否生效（lsmod | grep nouveau应无输出）

2. CUDA 11.8安装详解

2.1 官方仓库配置

CUDA 11.8仍保持对Ubuntu 22.04的官方支持，建议通过NVIDIA官方仓库安装：

bash复制wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update

2.2 指定版本安装

为避免自动升级到新版CUDA，需要精确指定版本号：

bash复制sudo apt install cuda-toolkit-11-8 cuda-libraries-11-8 cuda-drivers

安装完成后需将CUDA加入环境变量：

bash复制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 ~/.bashrc

2.3 安装验证

执行以下命令验证安装：

bash复制nvcc --version  # 应显示11.8版本
nvidia-smi  # 右上角应显示CUDA Version: 11.8
/usr/local/cuda-11.8/extras/demo_suite/deviceQuery  # 最后应显示Result = PASS

3. cuDNN 8.x安装指南

3.1 下载与解压

需从NVIDIA开发者网站下载对应版本（建议8.6.0）：

bash复制tar -xzvf cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz

3.2 文件部署

将头文件和库文件复制到CUDA目录：

bash复制sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

3.3 版本验证

检查cuDNN版本是否生效：

bash复制cat /usr/local/cuda-11.8/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

4. 深度学习框架兼容性配置

4.1 PyTorch适配

安装支持CUDA 11.8的PyTorch：

bash复制pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

验证GPU是否可用：

python复制import torch
print(torch.cuda.is_available())  # 应返回True
print(torch.backends.cudnn.version())  # 应显示8.x

4.2 TensorFlow适配

安装对应版本：

bash复制pip install tensorflow==2.12.0  # 官方编译版支持CUDA 11.8

验证配置：

python复制import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))  # 应显示GPU信息

5. 常见问题排查手册

5.1 驱动兼容性问题

若遇到Failed to initialize NVML: Driver/library version mismatch错误：

bash复制sudo apt --purge remove "*nvidia*"
sudo bash NVIDIA-Linux-*.run --silent --dkms
sudo reboot

5.2 CUDA路径冲突

多版本CUDA共存时，建议使用update-alternatives管理：

bash复制sudo update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-11.8 100
sudo update-alternatives --config cuda  # 交互式选择版本

5.3 cuDNN验证失败

若libcudnn.so报错，需检查符号链接：

bash复制cd /usr/local/cuda-11.8/lib64
sudo ln -sf libcudnn.so.8 libcudnn.so
sudo ldconfig

6. 性能优化建议

1. 启用持久化模式提升GPU响应速度：

   bash复制sudo nvidia-smi -pm 1
   

2. 调整GPU时钟频率（需根据显卡型号调整）：

   bash复制nvidia-settings -a GPUPowerMizerMode=1
   

3. 在Docker中使用时，建议直接使用NVIDIA官方镜像：

   dockerfile复制FROM nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04
   

4. 监控工具推荐：

   • 实时监控：nvtop
   • 历史记录：dcgmi