在 Windows (WSL) 和 Ubuntu 上安裝 NVIDIA CUDA 的指南

如果您從事機器學習、電腦視覺或高效能運算，安裝 NVIDIA CUDA 幾乎是強制性的，以利用 GPU 加速。 選擇正確的驅動程式和工具包版本 避免錯誤並充分利用 硬件 從第一分鐘開始。

在本指南中，我將逐步講解如何在 Windows 和 WSL（Windows 子系統）中讓 CUDA 準備就緒。 Linux) 與 Ubuntu 22.04 和 24.04 相同。 您還將看到要求、檢查、特殊情況，例如 RTX 50 當您僅安裝驅動程式並且看到特定版本的 nvcc 而沒有請求它時會發生什麼情況。

要求和兼容性

在觸摸任何東西之前，最好先檢查一下起點。 您至少需要一個與 CUDA 相容的 GPU （請參閱 NVIDIA 官方指南中的模型清單）作為參考，建議許多 AI 工作流程使用 6GB 專用視訊記憶體。

如果您要將 Windows 與 WSL 一起使用，則支援範圍很廣： 窗戶11 Windows 10（版本 21H2 及更高版本）的最新更新允許在 WSL 上的 Linux 發行版中運行使用 CUDA 的 ML 工具、函式庫和框架。 這涵蓋 PyTorch、TensorFlow、Docker 和 NVIDIA Container Toolkit。 就像在原生 Linux 中一樣。

在具有 NVIDIA GPU 執行個體的公有雲環境中，通常最好從雲端提供者提供的 VM 映像開始。 這些影像已經附帶了適當的驅動程式和 CUDA 工具包。 這樣你就能省去一些棘手的步驟。如果你在自己的機器上安裝，請繼續閱讀。

對於 WSL 中的 GPU 功能，請確保 WSL 中的 Linux 核心是最新的。 需要 5.10.43.3 或更高版本。您可以從 PowerShell的 使用：

wsl cat /proc/version

如果需要更新 WSL，請前往 Windows 設定 → Windows更新 然後點選檢查更新。 保持核心更新可避免與 CUDA 不相容 以及 WSL 中的其他 GPU 元件。

透過 WSL 在 Windows 上進行 CUDA：驅動程式、WSL 和發行版

順序很重要。首先，在 WSL 上安裝支援 CUDA 的 NVIDIA 驅動程式。 在 WSL 上下載並安裝支援 CUDA 的 NVIDIA 驅動程式 NVIDIA 推薦用於您的 GPU 和 Windows 版本的驅動程式。此驅動程式可在 Linux 子系統中啟用 GPU 加速。

驅動程式之後，啟用 WSL 並安裝基於 glibc 的發行版，例如 Ubuntu 或 Debian。 啟用並安裝 WSL 後，執行更新 從 Windows 更新中保持 WSL 核心為最新。

檢查核心版本 從 PowerShell（或控制台）輸入：

wsl cat /proc/version

如果您的核心相容（≥ 5.10.43.3），您現在可以在 WSL 中使用 PyTorch 或 TensorFlow 等 ML 框架和工具， 除了使用 Docker 和 NVIDIA Container Toolkit 就像在原生 Linux 上一樣。如果您遇到任何問題，NVIDIA 會透過其社群在 WSL 中集中提供回饋和 CUDA 支援。

Ubuntu 22.04 和 24.04 上的 NVIDIA 驅動程式（包括 RTX 50）

在 Ubuntu 中，第一步也是安裝驅動程式。對於較新的 GPU，這裡有一個重要的警告： RTX 50s 需要驅動程式 570.xxx.xx 或更高版本。舊版本可能無法正常工作，因此經典安裝方法可能會失敗。

在 Ubuntu 22.04 中，使用 NVIDIA 官方安裝程序 .run 格式。首先需要滿足幾個先決條件：

sudo apt -y install gcc make

從 NVIDIA 網站下載安裝程序，授予其執行權限，然後啟動它。 選擇 MIT/GPL 選項來安裝開源驅動程式 並避免重新啟動後出現「未找到設備」錯誤：

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

完成後，重新啟動系統 以便驅動程式正確載入:

sudo shutdown -r now

在某些環境中，建議重建 GRUB 配置，以確保系統在安裝驅動程式後使用正確的核心參數啟動。 如果您有疑問 開機，重新產生 GRUB 通常可以解決該問題 在你因診斷而發瘋之前。

在最近部署的該驅動程式分支中出現的另一個建議是停用 GSP 並重新啟動。 停用 GSP 可以防止某些電腦上發生衝突。，尤其是在安裝 570 後發現異常行為時。

對於 Ubuntu 24.04，還有另一個細微差別：ubuntu-drivers 工具可能仍然無法識別 RTX 5090 也沒有提供適當的選擇。 在這種情況下，手動安裝正確的套件 並記得包含後綴 open：

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

如果沒有開啟後綴，系統可能無法辨識 GPU 並顯示「未找到裝置」。 安裝後，重啟 要載入的模組：

sudo shutdown -r now

如果您願意，您可以在 24.04 中使用 NVIDIA .run 安裝程式執行與 22.04 相同的步驟。 選擇最適合您流程的方法 以及您的環境的政策。

在 Ubuntu 上安裝 CUDA 工具包（12.4 與 12.8 以及環境路徑）

有了驅動程式後，就可以安裝工具包了。在目前的生態系統下， PyTorch 與 CUDA 12.4 和 12.8 無縫協作但如果您使用的是 RTX 50，建議使用 12.8 以獲得進階功能和最佳化核心。讓我們來看看使用 NVIDIA 本機儲存庫的穩健方法：

首先，下載 pin 檔案來優先考慮 NVIDIA repo:

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

將該圖釘移至 APT 首選項目錄:

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

現在下載工具包的本機儲存庫（例如，Ubuntu 24.04 的版本為 12.8.1）：

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

使用 dpkg 安裝它 將 GPG 金鑰新增至金鑰環 從 Ubuntu 讓 APT 信任該 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/

更新索引並安裝工具包:

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

重新啟動電腦 避免新安裝的庫帶來意外:

sudo shutdown -r now

安裝後，最好驗證 CUDA 是否可用並將路徑新增至您的環境。 將變數新增至您的 shell，以便 nvcc 和函式庫位於 PATH 中 在以後的會話中。例如，在 Bash 中：

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

如果您使用 Zsh，您可以將其新增至 ~/.zshrc，對於非互動式會話，可以將其新增至 ~/.profile 或 ~/.bash_profile。 目標是任何 終端 或登入已找到 CUDA 庫 無需每次都進行任何配置。

使用以下命令檢查安裝：

nvcc --version

如果您不想管理本機儲存庫，還有其他腳本和資源可以在您遇到困難時為您提供協助。 記住要保持驅動程式和工具包版本之間的一致性。 通常可以解決90%的問題。

特定工具的 Windows：CUDA 10.1 和 cuDNN 7.6.4（模型建構器案例）

有些工具需要特定的舊版本。例如，在某些使用模型產生器的影像分類場景中，需要 CUDA 10.1 和 cuDNN 7.6.4（適用於 10.1）在此背景下，請確保以下幾點：

• 擁有 NVIDIA 開發者帳戶 訪問 下載.
• 專門安裝 CUDA v10.1； 沒有更高版本 針對該特定場景。
• 下載適用於 CUDA 10.1 的 cuDNN v7.6.4，解壓縮並 複製必要的二進位文件.

下載cuDNN zip後，解壓縮並將cudnn64_7.dll檔案複製到工具包路徑下。 請記住，您不能同時擁有多個版本的 cuDNN。 在同一環境中。範例路線：

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

沒有本機或 Azure GPU 可用？這些場景可以在 CPU 上運行，但 訓練速度會慢很多。如果 El Temppo 至關重要。

檢查、路線和常見問題

什麼 CUDA 版本 你的系統上有什麼？快速檢查方法為：

nvcc --version

如果您使用的是 Ubuntu 並且已經安裝了帶有 APT 的驅動程式（例如，nvidia-driver-525），並且您看到列出了 nvcc 11.2 而沒有明確安裝該工具包，請不要驚慌。 在某些設定中，驅動程式安裝可能會拖曳 CUDA 套件 或已包含在基礎系統映像中。如果您僅安裝驅動程序，則無法始終選擇工具包版本。

如果您需要檢查確切的 CUDA 版本，請安裝 NVIDIA 儲存庫和特定的工具包（例如，cuda-toolkit-12-8），如我們所見。 這可確保工具包版本與驅動程式一致。 並滿足您的框架的需求。

記得配置環境變數 定位二進位檔案和庫。在 Bash 中，你可以在 ~/.bashrc 中加入：

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

在 Zsh 中，使用 ~/.zshrc，如果您希望它應用於登錄，請使用 ~/.profile 或 ~/.bash_profile。 如果沒有這些路徑，某些應用程式將無法找到 CUDA 程式庫。，即使安裝了工具包。

在 Windows 系統中，如果您不確定自己使用的 GPU 型號，可以透過多種方式進行確認。在「設定」中：右鍵點選「開始」功能表 → 設定 → 系統 → 顯示 → 相關設定 → 進階顯示。 品牌和型號顯示在“顯示資訊”下. 也來自 任務經理：效能標籤→GPU查看詳細資訊。

如果您在「設定」或「工作管理員」中沒有看到 GPU，但知道 NVIDIA 已安裝，請開啟 設備管理器 → 顯示適配器 → 為你的 GPU 安裝合適的驅動程式您可以在 GeForce Experience 中查看更新，如果失敗，您可以隨時從 NVIDIA 網站下載最新的驅動程式。

在 WSL 場景中，請記住：WSL 中支援 CUDA 的 NVIDIA 驅動程式、啟用 WSL、基於 glibc 的發行版、核心 5.10.43.3 或更高版本，然後是您的框架（PyTorch/TensorFlow）或具有 NVIDIA Container Toolkit 的容器。 此安裝順序避免了瓶頸和難以調試的錯誤。.

在 Ubuntu 22.04/24.04 上，如果您使用的是 RTX 50，請堅持使用 570 分支，而在 24.04 上，請使用 nvidia-driver-570-server-open 套件或 .run 安裝程式。 不要忘記重啟，如有必要，停用 GSP對於工具包來說，12.8 是 RTX 50 的安全選擇；PyTorch 也支援 12.4，但使用 12.8 可以獲得更好的最佳化。

一旦一切就緒，您就可以使用 Docker 在本機 Linux 或 WSL 上執行流程，或直接使用 PyTorch/TensorFlow 來執行流程。 如果某些東西無法啟動，請檢查版本、環境路徑和相容性 在更改一半安裝之前。許多問題可以透過調整驅動程式和工具包並確保系統「看到」GPU來解決。

本指南匯集了在 Windows（透過 WSL）和 Ubuntu 上可靠安裝 CUDA 的基本知識，涵蓋需求、RTX 50 驅動程式、使用本機儲存庫安裝 12.8 工具包、環境路徑和操作方法。 有了這個地圖，您應該能夠以盡可能少的摩擦力讓您的 GPU 工作。.