Ubuntu上PyTorch与CUDA兼容性

Ubuntu上PyTorch与CUDA兼容性指南
在Ubuntu系统上配置PyTorch与CUDA的兼容环境，需重点关注Ubuntu版本选择、CUDA与PyTorch版本匹配、驱动安装及环境验证四大环节，以下是具体说明：

一、Ubuntu版本选择建议

Ubuntu的LTS（长期支持）版本对PyTorch及CUDA的支持更稳定，推荐优先选择：

• Ubuntu 22.04 LTS (Jammy Jellyfish)：默认软件包较新（如Python 3.10、GCC 11），支持CUDA 12.x及PyTorch 2.0+，适合新硬件（如RTX 40系列）和前沿研究；
• Ubuntu 20.04 LTS (Focal Fossa)：社区资源丰富，CUDA 11.x及以下版本支持成熟，适合工业级部署或依赖旧版框架（如TensorFlow 1.x）的场景。
  非LTS版本（如23.10）更新频繁、支持周期短（仅9个月），易导致依赖断裂，不建议用于生产环境。

二、PyTorch与CUDA版本兼容性表

PyTorch版本需与已安装的CUDA Toolkit版本严格匹配，以下是常见组合（来源：PyTorch官方文档及社区实践）：

注：若使用PyTorch 1.10及以下版本，可选择CUDA 11.3或10.2；若使用PyTorch 2.0及以上版本，建议选择CUDA 11.7及以上。

三、安装步骤与注意事项

1. 安装NVIDIA驱动

驱动是CUDA运行的基础，需确保驱动版本与CUDA Toolkit兼容（可通过nvidia-smi查看当前驱动版本）。推荐通过以下命令安装：

# 添加官方驱动PPA
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
# 安装推荐驱动（如555，需根据显卡型号调整）
sudo apt install nvidia-driver-555
# 重启系统使驱动生效
sudo reboot

验证驱动：nvidia-smi（显示GPU信息及驱动版本即为成功）。

2. 安装CUDA Toolkit

• 推荐方式（通过apt安装）：
  以CUDA 11.3为例，执行以下命令：

  wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb
  sudo dpkg -i cuda-keyring_1.0-1_all.deb
  sudo apt update
  sudo apt install -y cuda-11-3
  

  安装完成后，通过nvcc --version验证CUDA版本。

• 手动安装（下载.run文件）：
  从NVIDIA官网下载对应版本的CUDA Toolkit（如CUDA 11.7），运行安装脚本并遵循提示完成安装。

3. 安装PyTorch

• 推荐方式（通过conda安装，自动管理依赖）：
  以PyTorch 1.11.0 + CUDA 11.3为例：

  conda create -n pytorch_env python=3.8
  conda activate pytorch_env
  conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch
  

• 手动安装（通过pip安装）：
  以PyTorch 1.11.0 + CUDA 11.3为例：

  pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113
  

4. 配置环境变量（可选）

若安装CUDA Toolkit时未自动配置，需手动添加以下环境变量至~/.bashrc：

export PATH=/usr/local/cuda-11.3/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64:$LD_LIBRARY_PATH

执行source ~/.bashrc使更改生效。

四、验证安装

安装完成后，通过以下Python代码验证PyTorch是否能识别CUDA：

import torch
print("PyTorch版本:", torch.__version__)
print("CUDA可用性:", torch.cuda.is_available())  # 应返回True
print("CUDA版本:", torch.version.cuda)          # 应与安装的CUDA版本一致
print("GPU数量:", torch.cuda.device_count())    # 显示GPU数量
print("GPU名称:", torch.cuda.get_device_name(0)) # 显示首个GPU名称

若torch.cuda.is_available()返回True，则表示环境配置成功。

常见问题排查

• torch.cuda.is_available()返回False：
  1. 检查NVIDIA驱动是否正确安装（nvidia-smi是否有输出）；
  2. 确认CUDA Toolkit版本与PyTorch版本匹配；
  3. 确保环境变量（PATH、LD_LIBRARY_PATH）配置正确。
• 非法内存访问错误：
  检查CUDA架构是否匹配（如Ampere架构需设置TORCH_CUDA_ARCH_LIST=8.6），或升级PyTorch至最新版本。