Guida all'installazione di NVIDIA CUDA su Windows (WSL) e Ubuntu

Se lavori con l'apprendimento automatico, la visione artificiale o l'elaborazione ad alte prestazioni, installare NVIDIA CUDA è quasi obbligatorio per sfruttare i vantaggi dell'accelerazione GPU. Scelta della versione corretta del driver e del toolkit È fondamentale evitare errori e ottenere il massimo da hardware dal primo minuto.

In questa guida spiego, passo dopo passo e senza giri di parole, come lasciare CUDA pronto sia in Windows tramite WSL (Windows Subsystem for Linux) come in Ubuntu 22.04 e 24.04. Vedrai anche requisiti, controlli, casi speciali come l'RTX 50 E cosa succede quando installi solo il driver e vedi un nvcc di una versione specifica senza averlo richiesto?

Requisiti e compatibilità

Prima di toccare qualsiasi cosa, è bene controllare il punto di partenza. È necessaria almeno una GPU compatibile con CUDA (consultare la guida ufficiale NVIDIA per un elenco dei modelli) e, a titolo di riferimento, si consiglia di avere 6 GB di memoria video dedicata per molti flussi di lavoro di intelligenza artificiale.

Se si intende utilizzare Windows con WSL, il supporto è ampio: Windows 11 e i recenti aggiornamenti di Windows 10 (versione 21H2 e successive) consentono di eseguire strumenti, librerie e framework ML che utilizzano CUDA all'interno di una distribuzione Linux su WSL. Sono inclusi PyTorch, TensorFlow, Docker e NVIDIA Container Toolkit. proprio come in un Linux nativo.

Negli ambienti cloud pubblici con istanze GPU NVIDIA, spesso è meglio iniziare con l'immagine VM fornita dal provider cloud. Queste immagini sono già dotate del driver appropriato e del CUDA Toolkit. e ti risparmierai alcuni passaggi complicati. Se stai installando sul tuo computer, continua a leggere.

Per le funzionalità GPU in WSL, assicurati che il kernel Linux in WSL sia aggiornato. È richiesta la versione 5.10.43.3 o successivaPuoi verificarlo da PowerShell con:

wsl cat /proc/version

Se devi aggiornare WSL, vai su Impostazioni di Windows → Windows Update e clicca su Controlla aggiornamenti. Mantenere il kernel aggiornato evita incompatibilità con CUDA e altri componenti GPU in WSL.

CUDA su Windows tramite WSL: driver, WSL e distribuzione

L'ordine è importante. Per prima cosa, installa il driver NVIDIA con supporto CUDA su WSL. Scarica e installa il driver NVIDIA abilitato per CUDA su WSL Consigliato da NVIDIA per la tua GPU e la tua versione di Windows. Questo driver abilita l'accelerazione GPU all'interno del sottosistema Linux.

Dopo il driver, abilitare WSL e installare una distribuzione basata su glibc, come Ubuntu o Debian. Con WSL abilitato e installato, esegui gli aggiornamenti da Windows Update per mantenere aggiornato il kernel WSL.

Controlla la versione del kernel da PowerShell (o da una console) con:

wsl cat /proc/version

Se il tuo kernel è conforme (≥ 5.10.43.3), ora puoi lavorare con framework e strumenti ML come PyTorch o TensorFlow all'interno di WSL, oltre all'utilizzo di Docker e NVIDIA Container Toolkit Come se utilizzassi Linux nativo. In caso di problemi, NVIDIA centralizza il feedback e il supporto CUDA in WSL attraverso la sua community.

Driver NVIDIA su Ubuntu 22.04 e 24.04 (include RTX 50)

Anche in Ubuntu, il primo passo è il driver. C'è un'importante avvertenza da tenere presente con le GPU più recenti: Le RTX 50 richiedono i driver 570.xxx.xx o superioriLe versioni precedenti potrebbero non funzionare correttamente, quindi i metodi di installazione classici potrebbero non funzionare.

In Ubuntu 22.04 è pratico usare il programma di installazione ufficiale NVIDIA in formato .run. Iniziamo con alcuni prerequisiti:

sudo apt -y install gcc make

Scarica il programma di installazione dal sito Web NVIDIA, assegnagli i permessi di esecuzione e avvialo. Scegli l'opzione MIT/GPL per installare il driver open source ed evitare l'errore "Nessun dispositivo trovato" dopo un riavvio:

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

Al termine, riavviare il sistema affinché il driver carichi correttamente:

sudo shutdown -r now

In alcuni ambienti, potrebbe essere consigliabile ricostruire la configurazione di GRUB per garantire che il sistema si avvii con i parametri del kernel corretti dopo l'installazione del driver. Se hai dubbi in merito Boot, rigenerare GRUB di solito risolve il problema prima di impazzire con le diagnosi.

Un'altra raccomandazione che appare nelle recenti distribuzioni con questo ramo del driver è quella di disabilitare GSP e riavviare. La disattivazione di GSP può impedire conflitti su determinati computer., soprattutto se si nota un comportamento anomalo dopo l'installazione del 570.

Per Ubuntu 24.04 c'è un'altra sfumatura: lo strumento ubuntu-drivers potrebbe ancora non riconoscere un RTX 5090 né offrire l'opzione appropriata. In tal caso installare manualmente il pacchetto corretto e ricordatevi di includere il suffisso open:

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

Senza il postfix aperto, il sistema potrebbe non identificare la GPU e visualizzare "Nessun dispositivo trovato". Dopo l'installazione, riavviare per caricare il modulo:

sudo shutdown -r now

Se preferisci, nella versione 24.04 puoi applicare la stessa procedura della versione 22.04 utilizzando il programma di installazione NVIDIA .run. Scegli il metodo più adatto al tuo flusso e le politiche del tuo ambiente.

Installazione del CUDA Toolkit su Ubuntu (12.4 vs 12.8 e percorsi di ambiente)

Una volta ottenuto il driver, è il momento di installare il toolkit. Con l'ecosistema attuale, PyTorch funziona perfettamente con CUDA 12.4 e 12.8, ma se si utilizza una RTX 50, si consiglia la versione 12.8 per funzionalità avanzate e kernel ottimizzati. Diamo un'occhiata a un metodo robusto che utilizza il repository locale di NVIDIA:

Per prima cosa, scarica il file pin per dare priorità al repository NVIDIA:

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

Sposta quel pin su Directory delle preferenze APT:

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

Ora scarica il repository locale del toolkit (esempio con 12.8.1 per 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

Installalo con dpkg e aggiungi la chiave GPG al portachiavi da Ubuntu per far sì che APT si fidi del repository:

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/

Aggiorna gli indici e installa il toolkit:

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

Riavvia il computer per evitare sorprese con le librerie appena installate:

sudo shutdown -r now

Dopo l'installazione, è consigliabile verificare che CUDA sia disponibile e aggiungere i percorsi al proprio ambiente. Aggiungi le variabili alla tua shell in modo che nvcc e le librerie siano nel PATH nelle sessioni future. Ad esempio, in 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

Se utilizzi Zsh, puoi aggiungerlo a ~/.zshrc e, per le sessioni non interattive, a ~/.profile o ~/.bash_profile. L'obiettivo è che qualsiasi terminale o l'accesso ha individuato le librerie CUDA senza dover configurare nulla ogni volta.

Controllare l'installazione con:

nvcc --version

Se preferisci non gestire i repository locali, sono disponibili script e risorse aggiuntivi che possono aiutarti quando ti trovi in ​​difficoltà. Ricordarsi di mantenere la coerenza tra le versioni del driver e del toolkit. di solito risolve il 90% dei problemi.

Finestre per strumenti specifici: CUDA 10.1 e cuDNN 7.6.4 (caso Model Builder)

Esistono strumenti che richiedono versioni specifiche e meno recenti. È il caso di alcuni scenari di classificazione delle immagini con Model Builder, che richiedono CUDA 10.1 e cuDNN 7.6.4 per 10.1In questo contesto, accertarsi di quanto segue:

• Avere un account sviluppatore NVIDIA per accedere Download.
• Installare esclusivamente CUDA v10.1; nessuna versione superiore per quello scenario specifico.
• Scarica cuDNN v7.6.4 per CUDA 10.1, decomprimi e copiare il binario necessario.

Dopo aver scaricato il file zip cuDNN, decomprimilo e copia il file cudnn64_7.dll nel percorso del toolkit. Ricorda che non puoi avere più versioni di cuDNN contemporaneamente. nello stesso ambiente. Percorso di esempio:

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

Non hai una GPU locale o di Azure disponibile? Questi scenari possono essere eseguiti su una CPU, ma la formazione sarà sostanzialmente più lenta. Considerare l'utilizzo di una VM con GPU se il tempo è fondamentale.

Controlli, percorsi e domande frequenti

Che cosa Versione CUDA hai sul tuo sistema? Il controllo rapido è:

nvcc --version

Se utilizzi Ubuntu e hai installato un driver con APT (ad esempio, nvidia-driver-525) e vedi elencato nvcc 11.2 senza aver installato esplicitamente il toolkit, non farti prendere dal panico. In alcune configurazioni, l'installazione del driver potrebbe trascinare i pacchetti CUDA o erano già inclusi nell'immagine di sistema di base. Non sarà sempre possibile scegliere la versione del toolkit se si installa solo il driver.

Se hai bisogno di controllare la versione esatta di CUDA, installa il repository NVIDIA e il pacchetto toolkit specifico (ad esempio, cuda-toolkit-12-8) come abbiamo visto. Ciò garantisce che la versione del toolkit sia allineata con il driver. e con le esigenze dei tuoi framework.

Ricordarsi di configurare le variabili di ambiente per individuare binari e librerie. In Bash, potresti aggiungere al tuo file ~/.bashrc:

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

In Zsh, usa ~/.zshrc e, se vuoi applicarlo agli accessi, ~/.profile o ~/.bash_profile. Senza questi percorsi, alcune applicazioni non troveranno le librerie CUDA., anche se il toolkit è installato.

In Windows, se non sei sicuro di quale GPU possiedi, puoi verificarlo in diversi modi. Da Impostazioni: fai clic con il pulsante destro del mouse sul menu Start → Impostazioni → Sistema → Schermo → Impostazioni correlate → Schermo avanzato. La marca e il modello vengono visualizzati in "Mostra informazioni". Anche dal Task manager: Scheda Prestazioni → GPU per i dettagli.

Se non vedi la GPU in Impostazioni o Gestione attività ma sai che NVIDIA è installato, apri Amministratore del dispositivo → Schede video → Installa il driver appropriato per la tua GPUGli aggiornamenti possono essere visualizzati in GeForce Experience e, se ciò non dovesse funzionare, è sempre possibile scaricare il driver più recente dal sito Web NVIDIA.

Negli scenari WSL, ricorda: driver NVIDIA con supporto CUDA in WSL, WSL abilitato, distribuzione basata su glibc, kernel 5.10.43.3 o superiore e quindi i tuoi framework (PyTorch/TensorFlow) o container con NVIDIA Container Toolkit. Questo ordine di installazione evita colli di bottiglia ed errori difficili da correggere..

Su Ubuntu 22.04/24.04, se si utilizza una RTX 50, attenersi al ramo 570, mentre su 24.04, utilizzare il pacchetto nvidia-driver-570-server-open o il programma di installazione .run. Non dimenticare di riavviare e, se necessario, disabilitare GSPPer quanto riguarda il toolkit, la versione 12.8 è la scelta sicura con RTX 50; PyTorch supporta anche la versione 12.4, ma con la 12.8 si ottengono ottimizzazioni migliori.

Una volta che tutto è a posto, puoi eseguire i tuoi flussi su Linux nativo o WSL con Docker o direttamente con PyTorch/TensorFlow. Se qualcosa non si avvia, controlla le versioni, i percorsi dell'ambiente e la compatibilità prima di modificare metà dell'installazione. Molti problemi si risolvono allineando driver e toolkit e assicurandosi che il sistema "veda" la GPU.

Questa guida riunisce gli elementi essenziali per installare CUDA in modo affidabile su Windows (tramite WSL) e Ubuntu, trattando i requisiti, i driver RTX 50, l'installazione del toolkit 12.8 con un repository locale, i percorsi di ambiente e le procedure dettagliate. Con questa mappa dovresti riuscire a far funzionare la tua GPU con il minor attrito possibile..