Panduan untuk menginstal NVIDIA CUDA di Windows (WSL) dan Ubuntu

Jika Anda bekerja dengan pembelajaran mesin, visi komputer, atau komputasi kinerja tinggi, menginstal NVIDIA CUDA hampir wajib untuk memanfaatkan akselerasi GPU. Memilih versi driver dan toolkit yang tepat Sangat penting untuk menghindari kesalahan dan mendapatkan hasil maksimal perangkat keras dari menit pertama.

Dalam panduan ini saya menjelaskan, langkah demi langkah dan tanpa jalan memutar, cara meninggalkan CUDA siap baik di Windows melalui WSL (Windows Subsystem for Linux) seperti pada Ubuntu 22.04 dan 24.04. Anda juga akan melihat persyaratan, pemeriksaan, kasus khusus seperti RTX 50 Dan apa yang terjadi bila Anda hanya menginstal driver dan Anda melihat nvcc dari versi tertentu tanpa memintanya.

Persyaratan dan kompatibilitas

Sebelum menyentuh apa pun, ada baiknya untuk memeriksa titik awalnya. Anda memerlukan setidaknya satu GPU yang kompatibel dengan CUDA (lihat panduan resmi NVIDIA untuk daftar model) dan sebagai referensi, disarankan memiliki memori video khusus sebesar 6GB untuk banyak alur kerja AI.

Jika Anda akan menggunakan Windows dengan WSL, dukungannya luas: Windows 11 dan pembaruan terkini untuk Windows 10 (versi 21H2 dan yang lebih baru) memungkinkan menjalankan alat, pustaka, dan kerangka kerja ML yang menggunakan CUDA dalam distribusi Linux di WSL. Ini mencakup PyTorch, TensorFlow, Docker, dan NVIDIA Container Toolkit. seperti di Linux asli.

Di lingkungan cloud publik dengan instans GPU NVIDIA, sering kali lebih baik memulai dengan citra VM yang disediakan oleh penyedia cloud. Gambar-gambar ini sudah dilengkapi dengan driver dan CUDA Toolkit yang sesuai. dan Anda akan terhindar dari beberapa langkah rumit. Jika Anda menginstal di komputer Anda sendiri, lanjutkan membaca.

Untuk fitur GPU di WSL, pastikan kernel Linux dalam WSL sudah yang terbaru. Diperlukan versi 5.10.43.3 atau yang lebih baruAnda dapat memeriksanya dari PowerShell dengan:

wsl cat /proc/version

Jika Anda perlu memperbarui WSL, buka Pengaturan Windows → Windows Update dan klik Periksa pembaruan. Menjaga kernel tetap mutakhir menghindari ketidakcocokan dengan CUDA dan komponen GPU lainnya di WSL.

CUDA di Windows melalui WSL: Driver, WSL, dan Distro

Urutan itu penting. Pertama, instal driver NVIDIA dengan dukungan CUDA di WSL. Unduh dan instal driver NVIDIA yang mendukung CUDA di WSL Direkomendasikan oleh NVIDIA untuk GPU dan versi Windows Anda. Driver ini memungkinkan akselerasi GPU dalam subsistem Linux.

Setelah driver, aktifkan WSL dan instal distribusi berbasis glibc, seperti Ubuntu atau Debian. Dengan WSL diaktifkan dan diinstal, jalankan pembaruan dari Pembaruan Windows untuk menjaga kernel WSL tetap terkini.

Periksa versi kernel dari PowerShell (atau konsol) dengan:

wsl cat /proc/version

Jika kernel Anda patuh (≥ 5.10.43.3), Anda sekarang dapat bekerja dengan kerangka kerja dan alat ML seperti PyTorch atau TensorFlow dalam WSL, selain menggunakan Docker dan NVIDIA Container Toolkit seolah-olah Anda menggunakan Linux asli. Jika Anda mengalami masalah, NVIDIA memusatkan umpan balik dan dukungan CUDA di WSL melalui komunitasnya.

Driver NVIDIA pada Ubuntu 22.04 dan 24.04 (termasuk RTX 50)

Di Ubuntu, langkah pertama juga merupakan driver. Ada peringatan penting di sini untuk GPU yang lebih baru: RTX 50 memerlukan driver 570.xxx.xx atau lebih tinggiVersi lama mungkin tidak berfungsi dengan baik, sehingga metode instalasi klasik mungkin gagal.

Di Ubuntu 22.04 sangat praktis untuk menggunakan penginstal NVIDIA resmi dalam format .run. Mulailah dengan beberapa prasyarat:

sudo apt -y install gcc make

Unduh penginstal dari situs web NVIDIA, berikan izin eksekusi, lalu luncurkan. Pilih opsi MIT/GPL untuk menginstal driver sumber terbuka dan hindari kesalahan “Tidak ada perangkat yang ditemukan” setelah reboot:

wget https://us.download.nvidia.com/XFree86/Linux-x86_64/570.124.04/NVIDIA-Linux-x86_64-570.124.04.run
sudo chmod +x NVIDIA-Linux-x86_64-570.124.04.run
sudo ./NVIDIA-Linux-x86_64-570.124.04.run

Setelah selesai, reboot sistem agar pengemudi dapat memuat dengan benar:

sudo shutdown -r now

Di beberapa lingkungan, mungkin disarankan untuk membangun kembali konfigurasi GRUB untuk memastikan bahwa sistem melakukan boot dengan parameter kernel yang benar setelah menginstal driver. Jika Anda memiliki keraguan tentang boot, regenerasi GRUB biasanya menyelesaikannya sebelum Anda menjadi gila dengan diagnosis.

Rekomendasi lain yang muncul dalam penerapan terkini dengan cabang driver ini adalah menonaktifkan GSP dan melakukan boot ulang. Menonaktifkan GSP dapat mencegah konflik pada komputer tertentu., terutama jika Anda melihat perilaku abnormal setelah menginstal 570.

Untuk Ubuntu 24.04 ada nuansa lain: alat ubuntu-drivers mungkin masih tidak mengenali RTX 5090 atau menawarkan opsi yang sesuai. Dalam kasus tersebut, instal paket yang benar secara manual dan ingat untuk menyertakan sufiks terbuka:

sudo apt install nvidia-driver-570-server-open

Tanpa postfix terbuka, sistem mungkin tidak mengidentifikasi GPU dan menampilkan “Tidak ada perangkat yang ditemukan.” Setelah instalasi, reboot agar modul dapat dimuat:

sudo shutdown -r now

Jika Anda suka, pada 24.04 Anda dapat menerapkan prosedur yang sama seperti pada 22.04 menggunakan penginstal NVIDIA .run. Pilih metode yang paling sesuai dengan alur Anda dan kebijakan lingkungan Anda.

Menginstal CUDA Toolkit di Ubuntu (12.4 vs 12.8 dan jalur lingkungan)

Setelah Anda memiliki driver, saatnya menginstal toolkit. Dengan ekosistem saat ini, PyTorch bekerja dengan lancar dengan CUDA 12.4 dan 12.8, tetapi jika Anda menggunakan RTX 50, versi 12.8 direkomendasikan untuk fitur-fitur canggih dan kernel yang dioptimalkan. Mari kita lihat metode yang andal menggunakan repositori lokal NVIDIA:

Pertama, unduh file pin untuk memprioritaskan repo NVIDIA:

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-ubuntu2404.pin

Pindahkan pin itu ke Direktori preferensi APT:

sudo mv cuda-ubuntu2404.pin /etc/apt/preferences.d/cuda-repository-pin-600

Sekarang unduh repositori lokal toolkit (contoh dengan 12.8.1 untuk Ubuntu 24.04):

wget https://developer.download.nvidia.com/compute/cuda/12.8.1/local_installers/cuda-repo-ubuntu2404-12-8-local_12.8.1-570.124.06-1_amd64.deb

Instal dengan dpkg dan tambahkan kunci GPG ke gantungan kunci dari Ubuntu agar APT mempercayai repo:

sudo dpkg -i cuda-repo-ubuntu2404-12-8-local_12.8.1-570.124.06-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2404-12-8-local/cuda-*-keyring.gpg /usr/share/keyrings/

Perbarui indeks dan instal toolkit:

sudo apt-get update && sudo apt-get -y install cuda-toolkit-12-8

Nyalakan ulang komputernya untuk menghindari kejutan dengan perpustakaan yang baru diinstal:

sudo shutdown -r now

Setelah instalasi, ada baiknya Anda memverifikasi bahwa CUDA tersedia dan menambahkan jalur ke lingkungan Anda. Tambahkan variabel ke shell Anda sehingga nvcc dan pustaka berada di PATH di sesi mendatang. Misalnya, di Bash:

echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

Jika Anda menggunakan Zsh, Anda dapat menambahkannya ke ~/.zshrc dan, untuk sesi non-interaktif, ke ~/.profile atau ~/.bash_profile. Tujuannya adalah agar setiap terminal atau login telah menemukan perpustakaan CUDA tanpa Anda harus mengonfigurasi apa pun setiap saat.

Periksa instalasi dengan:

nvcc --version

Jika Anda memilih untuk tidak mengelola repo lokal, ada skrip dan sumber daya tambahan yang dapat membantu Anda saat Anda mengalami kendala. Ingatlah untuk menjaga konsistensi antara versi driver dan toolkit. biasanya memecahkan 90% masalah.

Windows untuk alat tertentu: CUDA 10.1 dan cuDNN 7.6.4 (kasus Model Builder)

Ada alat yang memerlukan versi lama yang spesifik. Hal ini berlaku untuk beberapa skenario klasifikasi gambar dengan Model Builder, yang memerlukan CUDA 10.1 dan cuDNN 7.6.4 untuk 10.1Dalam konteks ini, pastikan hal-hal berikut:

• Memiliki akun pengembang NVIDIA untuk mengakses descargas.
• Instal CUDA v10.1 secara eksklusif; tidak ada versi yang lebih tinggi untuk skenario spesifik tersebut.
• Unduh cuDNN v7.6.4 untuk CUDA 10.1, unzip dan salin biner yang diperlukan.

Setelah mengunduh zip cuDNN, ekstrak zip tersebut dan salin file cudnn64_7.dll ke jalur toolkit. Ingatlah bahwa Anda tidak dapat memiliki beberapa versi cuDNN pada saat yang bersamaan. di lingkungan yang sama. Contoh rute:

<CUDNN_zip_files_path>\cuda\bin\cudnn64_7.dll -> <YOUR_DRIVE>\Archivos de programa\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin

Tidak memiliki GPU lokal atau Azure yang tersedia? Skenario ini dapat dijalankan di CPU, tetapi pelatihan akan jauh lebih lambatPertimbangkan untuk menggunakan VM dengan GPU jika el tiempo sangat penting

Pemeriksaan, rute, dan pertanyaan umum

Apa Versi CUDA Apa yang ada di sistem Anda? Cara cepatnya adalah:

nvcc --version

Jika Anda menggunakan Ubuntu dan telah menginstal driver dengan APT (misalnya, nvidia-driver-525) dan Anda melihat nvcc 11.2 tercantum tanpa menginstal toolkit secara eksplisit, jangan panik. Dalam beberapa konfigurasi, instalasi driver dapat menyeret paket CUDA atau sudah termasuk dalam citra sistem dasar. Anda tidak selalu dapat memilih versi toolkit jika hanya menginstal driver.

Jika Anda perlu memeriksa versi CUDA yang tepat, instal repositori NVIDIA dan paket toolkit tertentu (misalnya, cuda-toolkit-12-8) seperti yang telah kita lihat. Ini memastikan bahwa versi toolkit selaras dengan driver. dan dengan kebutuhan kerangka kerja Anda.

Ingat untuk mengonfigurasi variabel lingkungan untuk menemukan biner dan pustaka. Di Bash, Anda bisa menambahkan ke ~/.bashrc:

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

Di Zsh, gunakan ~/.zshrc dan, jika Anda ingin menerapkannya pada login, ~/.profile atau ~/.bash_profile. Tanpa jalur ini, beberapa aplikasi tidak akan menemukan pustaka CUDA., bahkan jika toolkit telah terinstal.

Di Windows, jika Anda tidak yakin GPU mana yang Anda miliki, Anda dapat mengonfirmasinya dengan beberapa cara. Dari Pengaturan: klik kanan menu Mulai → Pengaturan → Sistem → Tampilan → Pengaturan terkait → Tampilan lanjutan. Merek dan model ditampilkan di bawah “Tampilkan informasi”Juga dari Manajer Tugas: Tab Kinerja → GPU untuk melihat detail.

Jika Anda tidak melihat GPU di Pengaturan atau Pengelola Tugas tetapi tahu bahwa NVIDIA terinstal, buka Pengelola Perangkat → Adaptor tampilan → Instal driver yang sesuai untuk GPU AndaPembaruan dapat dilihat di GeForce Experience, dan jika gagal, Anda selalu dapat mengunduh driver terbaru dari situs web NVIDIA.

Dalam skenario WSL, ingat: driver NVIDIA dengan dukungan CUDA di WSL, WSL diaktifkan, distro berbasis glibc, kernel 5.10.43.3 atau lebih tinggi, lalu kerangka kerja Anda (PyTorch/TensorFlow) atau kontainer dengan NVIDIA Container Toolkit. Urutan instalasi ini menghindari kemacetan dan kesalahan yang sulit di-debug..

Pada Ubuntu 22.04/24.04, jika Anda menggunakan RTX 50, tetap gunakan cabang 570, dan pada 24.04, gunakan paket nvidia-driver-570-server-open atau penginstal .run. Jangan lupa untuk reboot dan jika perlu nonaktifkan GSPUntuk perangkat, 12.8 adalah taruhan aman dengan RTX 50; PyTorch juga mendukung 12.4, tetapi Anda akan mendapatkan pengoptimalan yang lebih baik dengan 12.8.

Setelah semuanya siap, Anda dapat menjalankan alur Anda di Linux atau WSL asli dengan Docker atau langsung dengan PyTorch/TensorFlow. Jika sesuatu tidak dimulai, periksa versi, jalur lingkungan, dan kompatibilitas sebelum mengubah separuh instalasi Anda. Banyak masalah dapat diatasi dengan menyelaraskan driver dan toolkit serta memastikan sistem "melihat" GPU.

Panduan ini menyatukan hal-hal penting untuk menginstal CUDA secara andal di Windows (melalui WSL) dan Ubuntu, yang mencakup persyaratan, driver RTX 50, menginstal toolkit 12.8 dengan repositori lokal, jalur lingkungan, dan cara-caranya. Dengan peta ini, Anda seharusnya dapat menjalankan GPU Anda dengan gesekan sesedikit mungkin..