Aexus Answers

Linux Mint 22.2：CUDA、cuDNN 多版本安装指南

Alex Johnson
-
Linux Mint 22.2：CUDA、cuDNN 多版本安装指南

系统环境：Linux Mint 22.2 (基于 Ubuntu 24.04)

CUDA 版本：13.0 Update 2 (主版本) + 12.6 (兼容旧项目)

cuDNN 版本：9.14.0

NVIDIA 驱动：nvidia-driver-580

核心理念：

  • 系统级配置：使用符号链接和通用环境变量。
  • 项目级隔离：通过轻量级 run.sh 脚本动态配置不同 CUDA 路径，实现完全隔离，且无需依赖任何额外的虚拟环境或容器技术。

一、准备工作：系统更新与基础工具安装

在开始之前，确保您的 Linux Mint 22.2 系统是最新的，并且安装了必要的构建工具和依赖项。 这可以通过运行以下命令来完成。 首先，为了确保您的系统软件包是最新的，请执行更新和升级操作。然后，安装构建工具，包括 build-essential、gcc、g++、make，以及用于下载和管理软件包的 wget、curl，以及 Python 环境。 Python 环境包括 python3 和 python3-pip，它们对于某些深度学习框架的安装和配置至关重要。

# 更新系统
sudo apt update && sudo apt upgrade -y

# 安装基础工具
sudo apt install -y build-essential gcc g++ make wget curl python3 python3-pip

接下来，检查您的系统是否已正确识别 NVIDIA 显卡。 这是确保后续步骤能够顺利进行的关键。 运行 lspci | grep -i nvidia 命令。 如果命令输出了关于您的 NVIDIA 显卡的信息，则说明系统已成功检测到显卡。 如果没有输出，则说明系统可能没有 NVIDIA 显卡，或者驱动程序没有正确安装。 在这种情况下，您需要检查您的硬件配置，并确认您的系统支持 NVIDIA 显卡。

# 检查 GPU
lspci | grep -i nvidia
  • 重要提示：如果以上命令没有输出，请确认您的系统确实配备了 NVIDIA 显卡。 如果确认有 NVIDIA 显卡，则可能需要检查您的 BIOS 设置，确保 PCIe 接口已启用，或者检查您的系统是否正确安装了必要的 NVIDIA 驱动。

二、安装 NVIDIA 驱动程序（nvidia-driver-580）

安装 NVIDIA 驱动程序是使用 CUDA 的关键步骤。 您可以选择图形界面安装或命令行安装。 这里推荐使用图形界面安装，因为它通常更容易操作。

推荐：图形化安装

  1. 首先，打开**“驱动程序管理器”**（Driver Manager）。 驱动程序管理器通常可以在系统菜单中找到，或者通过搜索来快速定位。
  2. 在驱动程序管理器中，您会看到一个可用的驱动程序列表。 从列表中选择 nvidia-driver-580 或更高版本。 建议选择推荐的、经过测试的驱动程序版本以获得最佳兼容性和性能。
  3. 选择驱动程序后，点击“应用更改”按钮。 系统将开始安装驱动程序。
  4. 安装完成后，系统会提示您重启计算机。 重启后，NVIDIA 驱动程序将生效。

命令行安装

如果您更喜欢命令行，也可以使用以下命令安装驱动程序：

sudo apt install -y nvidia-driver-580
sudo reboot

执行此命令后，系统将下载并安装 nvidia-driver-580 驱动程序。 安装完成后，使用 sudo reboot 命令重启系统，以使驱动程序生效。

安装完成后，为了验证驱动程序是否成功安装，请运行 nvidia-smi 命令。 如果命令输出了 NVIDIA 驱动程序的详细信息，包括驱动程序版本（例如，580.xx）和 CUDA 支持上限（例如，13.0+），则说明驱动程序安装成功。

# 验证驱动程序
nvidia-smi
  • 提示：如果在运行 nvidia-smi 命令时遇到问题，例如，出现“NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver”错误，这通常意味着驱动程序没有正确安装或与您的硬件不兼容。 您可能需要重新安装驱动程序或尝试安装其他版本的驱动程序。

三、CUDA Toolkit 的安装（多版本并存）

为了支持不同的项目需求，我们将在系统中安装 CUDA Toolkit 的多个版本。 首先，您需要添加 NVIDIA 官方 CUDA 仓库。 这允许您通过 apt 命令轻松安装和管理 CUDA 软件包。

# 添加官方 CUDA 仓库（Mint 22.2 = ubuntu2404）
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update

接下来，使用 apt 命令安装您所需的 CUDA 版本。 我们将安装两个版本：CUDA 13.0 作为主版本，以及 CUDA 12.6，用于兼容旧项目。

# 主版本：CUDA 13.0
sudo apt install -y cuda-toolkit-13-0

# 可选：CUDA 12.6（用于旧项目）
sudo apt install -y cuda-toolkit-12-6

安装完成后， CUDA Toolkit 将安装在 /usr/local/ 目录下，您可以在其中找到不同版本的 CUDA，例如 /usr/local/cuda-13.0/ 和 /usr/local/cuda-12.6/。 确保您记下这些路径，因为在后续的项目级隔离配置中，您将需要用到它们。

四、系统级通用配置（符号链接 + 环境变量）

为了使 CUDA 在整个系统中可用，我们需要配置系统级环境变量。 首先，我们将创建一个通用符号链接，使其指向默认的 CUDA 版本（这里是 CUDA 13.0）。 这样做的好处是，当您需要在系统中使用 CUDA 时，只需使用 /usr/local/cuda/ 即可，而无需关心具体的版本。

# 创建通用符号链接（系统默认指向 13.0）
sudo ln -sfn /usr/local/cuda-13.0 /usr/local/cuda

接下来，我们需要设置环境变量，以便系统能够找到 CUDA 的相关工具和库。 我们将创建一个名为 cuda.sh 的脚本文件，并将必要的 CUDA 环境变量添加到其中。 使用文本编辑器（例如 nano），创建并编辑 /etc/profile.d/cuda.sh 文件。

sudo nano /etc/profile.d/cuda.sh

将以下内容添加到 cuda.sh 文件中：

export CUDA_HOME=/usr/local/cuda
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

保存并关闭文件。 接下来，我们需要确保该脚本文件具有可执行权限，并使环境变量生效。

sudo chmod +x /etc/profile.d/cuda.sh
source /etc/profile.d/cuda.sh

现在，CUDA 的环境变量已经配置完成。 您可以通过运行 nvcc --version 命令来验证 CUDA 是否已正确安装并配置。 如果显示 CUDA 的版本信息，则说明配置成功。

五、安装 cuDNN

cuDNN 是 NVIDIA 的深度神经网络库，它为 GPU 加速的深度学习提供了高度优化的例程。 您可以通过 apt 命令轻松安装 cuDNN。 安装时，请确保安装与您的 CUDA 版本兼容的 cuDNN 版本。 如果您安装了 CUDA 13.0，则安装 cudnn9-cuda-13。 如果您安装了 CUDA 12.6，则安装 cudnn9-cuda-12。

sudo apt install -y cudnn9-cuda-13
sudo apt install -y cudnn9-cuda-12  # 如果装了 12.6

cuDNN 的库文件通常安装在 /usr/lib/x86_64-linux-gnu/ 目录下，您无需手动配置库路径。

六、系统级版本切换（可选）

系统级版本切换允许您在不同的 CUDA 版本之间切换。 虽然这在某些情况下可能有用，但不推荐频繁使用，因为它会影响整个系统的环境。

# 切换到 CUDA 12.6
sudo ln -sfn /usr/local/cuda-12.6 /usr/local/cuda
source /etc/profile.d/cuda.sh
nvcc --version

通过修改符号链接 /usr/local/cuda/，并重新加载环境变量，您可以切换到不同的 CUDA 版本。 请注意，切换后，CUDA 版本将全局生效，影响所有项目。 因此，建议您使用项目级隔离的方法（在第七节中介绍），以避免影响其他项目。

七、项目级隔离：纯 run.sh 脚本 export 不同版本（推荐！）

为了实现 CUDA 环境的完全隔离，并避免版本冲突，我们推荐使用项目级隔离方案。 这种方法的核心是，每个项目都有一个独立的 run.sh 脚本，该脚本在运行时 export 相应的 CUDA 路径。 这种方法非常轻量级，无需使用 venv、conda 或 Docker，即可实现环境的隔离。

目录结构

首先，创建一个目录结构，用于组织您的项目。

~/projects/
├── project_a/          # 用 CUDA 13.0
│   └── run.sh
├── project_b/          # 用 CUDA  12.6
│   └── run.sh
└── project_cpu/        # 无 GPU
    └── run.sh

1. project_a/run.sh（CUDA 13.0）

为使用 CUDA 13.0 的项目创建一个 run.sh 脚本。 在脚本中，首先需要清理旧的 CUDA 环境变量，然后设置指向 CUDA 13.0 的环境变量。

#!/bin/bash
# 项目 A：使用 CUDA 13.0

# 清理旧 CUDA 路径
unset CUDA_HOME
export PATH=$(echo $PATH | tr ':' '\n' | grep -v "/cuda" | tr '\n' ':' | sed 's/:$//')
export LD_LIBRARY_PATH=$(echo $LD_LIBRARY_PATH | tr ':' '\n' | grep -v "/cuda" | tr '\n' ':' | sed 's/:$//')

# 设置专用 CUDA 13.0
export CUDA_HOME=/usr/local/cuda-13.0
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

echo "Project A -> CUDA 13.0 已激活"
nvcc --version | head -n 2

# 你的项目代码
python3 main.py
# 或 ./build/app

2. project_b/run.sh（CUDA 12.6）

为使用 CUDA 12.6 的项目创建一个 run.sh 脚本。 同样，清理旧的环境变量，然后设置指向 CUDA 12.6 的环境变量。

#!/bin/bash
# 项目 B：使用 CUDA 12.6

unset CUDA_HOME
export PATH=$(echo $PATH | tr ':' '\n' | grep -v "/cuda" | tr '\n' ':' | sed 's/:$//')
export LD_LIBRARY_PATH=$(echo $LD_LIBRARY_PATH | tr ':' '\n' | grep -v "/cuda" | tr '\n' ':' | sed 's/:$//')

export CUDA_HOME=/usr/local/cuda-12.6
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

echo "Project B -> CUDA 12.6 已激活"
nvcc --version | head -n 2

python3 train.py

3. project_cpu/run.sh（禁用 GPU）

为不使用 GPU 的项目创建一个 run.sh 脚本。 在脚本中，需要取消设置 CUDA 相关的环境变量，以确保项目运行在 CPU 模式下。

#!/bin/bash
# 项目 C：CPU 模式

unset CUDA_HOME CUDA_VISIBLE_DEVICES
export PATH=$(echo $PATH | tr ':' '\n' | grep -v "/cuda" | tr '\n' ':' | sed 's/:$//')
export LD_LIBRARY_PATH=$(echo $LD_LIBRARY_PATH | tr ':' '\n' | grep -v "/cuda" | tr '\n' ':' | sed 's/:$//')

echo "GPU 已禁用，仅 CPU"
python3 cpu_script.py

使用方法

进入项目目录，并运行 run.sh 脚本，例如：

cd ~/projects/project_a
chmod +x run.sh
./run.sh

每次运行 run.sh 脚本时，它将：

  • 清理旧的 CUDA 环境变量。
  • 加载指定 CUDA 版本。
  • 运行您的项目。

这种方法完全不影响其他项目或系统环境。

八、验证安装

为了确保 CUDA 和 cuDNN 已正确安装和配置，我们需要进行验证。 首先，重启您的系统，以确保所有更改生效。

# 重启系统
sudo reboot

验证 CUDA

重启后，验证 CUDA 安装。 运行 nvcc --version 命令，检查 CUDA 的版本信息是否正确显示。 此外，您还可以运行 CUDA 提供的示例程序来验证安装。

# 验证 CUDA
nvcc --version
sudo apt install -y cuda-samples-13-0
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
make && ./deviceQuery
# 输出: Result = PASS

如果输出 Result = PASS，则说明 CUDA 安装成功。 如果出现错误，请检查您的驱动程序、CUDA 版本和环境变量是否正确配置。

验证 cuDNN

验证 cuDNN 安装，通常是通过运行 cuDNN 提供的示例程序。 您可以使用以下命令安装和运行示例程序：

# 验证 cuDNN
sudo apt install -y libcudnn9-samples
cp -r /usr/share/doc/libcudnn9-samples/mnistCUDNN ~/mnistCUDNN
cd ~/mnistCUDNN
make && ./mnistCUDNN
# 输出: Test passed!

如果输出 Test passed!，则说明 cuDNN 安装成功。 如果出现错误，请检查您安装的 cuDNN 版本是否与您的 CUDA 版本兼容。

九、框架兼容（PyTorch / TensorFlow）

为了在您的项目中使用 PyTorch 或 TensorFlow 等深度学习框架，您需要在 run.sh 脚本中安装相应的 GPU 版本。 在 run.sh 脚本中添加安装命令，确保每次运行项目时都安装了正确的框架版本。

对于 PyTorch，您可以使用以下命令安装：

# 在 run.sh 中添加（首次运行）
pip install --upgrade pip
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130   # CUDA 13.0
# 或 cu126 for CUDA 12.6

对于 TensorFlow，您可以使用以下命令安装：

pip install tensorflow[and-cuda]

请注意，安装 PyTorch 或 TensorFlow 之前，请确保已在 run.sh 脚本中正确设置了 CUDA 环境变量。

十、卸载

如果您需要卸载 CUDA 和相关的软件包，可以使用以下命令：

sudo apt --purge remove "*cuda*" "*cudnn*" "nvidia-driver-*" -y
sudo rm -rf /usr/local/cuda* /etc/profile.d/cuda.sh
rm -rf ~/projects/*/run.sh

此命令将卸载 CUDA、cuDNN、NVIDIA 驱动程序，并删除相关的配置文件和项目脚本。 在卸载之前，请务必备份您的数据。

十一、总结：关键命令回顾

以下是本教程中涉及的关键命令的总结，方便您快速查阅和使用：

目标 命令
系统默认 CUDA sudo ln -sfn /usr/local/cuda-13.0 /usr/local/cuda
项目用 CUDA 13.0 run.sh 中 export CUDA_HOME=/usr/local/cuda-13.0
项目用 CUDA 12.6 run.sh 中 export CUDA_HOME=/usr/local/cuda-12.6
禁用 GPU unset CUDA_HOME + 清理路径

最终目录结构

最终，您的目录结构应该类似于以下结构：

/usr/local/
├── cuda -> cuda-13.0/          # 系统默认
├── cuda-13.0/
├── cuda-12.6/
~/projects/
├── project_a/run.sh            # export cuda-13.0
├── project_b/run.sh            # export cuda-12.6
└── project_cpu/run.sh          # unset CUDA

总结：

本教程详细介绍了在 Linux Mint 22.2 系统中安装 CUDA、cuDNN 以及配置多版本并存环境的方法。 重点介绍了项目级隔离方案，通过使用 run.sh 脚本，实现了轻量级、完全隔离的 CUDA 环境配置，避免了版本冲突。 此外，还提供了系统级配置和框架兼容性说明，方便您根据自己的需求进行配置。 遵循本教程，您可以轻松地管理不同 CUDA 版本的项目，并最大限度地提高开发效率。 使用 CUDA，cuDNN，以及正确的环境配置，可以显著提高深度学习项目的性能。 记住，正确的配置是深度学习开发成功的关键。

相关链接:

You may also like