CentOS深度学习环境搭建全攻略（手把手教你配置PyTorch与CUDA）

一、准备工作：确认系统与硬件

首先，请确保你的服务器或PC满足以下条件：

• 操作系统：CentOS 7 或 CentOS 8（推荐 CentOS 7.9）
• GPU：NVIDIA 显卡（建议 GTX 1060 及以上，支持 CUDA）
• 内存：至少 8GB RAM
• 磁盘空间：至少 20GB 可用空间

二、安装 NVIDIA 驱动

深度学习离不开 GPU 加速，因此首先要安装 NVIDIA 官方驱动。

1. 禁用默认的 Nouveau 驱动：

sudo echo 'blacklist nouveau' >> /etc/modprobe.d/blacklist.confsudo echo 'options nouveau modeset=0' >> /etc/modprobe.d/blacklist.confsudo dracut --force

2. 重启系统并进入命令行模式（无图形界面）：

sudo systemctl set-default multi-user.targetsudo reboot

3. 下载并安装 NVIDIA 驱动（以 RTX 3080 为例）：

wget https://us.download.nvidia.com/XFree86/Linux-x86_64/535.113.01/NVIDIA-Linux-x86_64-535.113.01.runchmod +x NVIDIA-Linux-x86_64-535.113.01.runsudo ./NVIDIA-Linux-x86_64-535.113.01.run --no-opengl-files

安装完成后，执行 nvidia-smi 命令，若看到 GPU 信息即表示驱动安装成功。

三、安装 CUDA 与 cuDNN

CUDA 是 NVIDIA 提供的并行计算平台，cuDNN 是深度神经网络加速库。二者是 CentOS配置CUDA 的关键。

1. 安装 CUDA Toolkit（以 CUDA 11.8 为例）：

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.runsudo sh cuda_11.8.0_520.61.05_linux.run

安装时取消勾选“Driver”（因已安装），只保留“CUDA Toolkit”。

2. 配置环境变量：

echo 'export PATH=/usr/local/cuda-11.8/bin:$PATH' >> ~/.bashrcecho 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH' >> ~/.bashrcsource ~/.bashrc

3. 安装 cuDNN（需注册 NVIDIA 账号下载）：

tar -xzvf cudnn-linux-x86_64-8.9.2.26_cuda11-archive.tar.xzsudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/includesudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

四、安装 Python 与 PyTorch

推荐使用 Anaconda 管理 Python 环境，便于依赖管理。

1. 安装 Miniconda：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.shbash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3source ~/.bashrc

2. 创建虚拟环境并安装 PyTorch：

conda create -n dl python=3.9 -yconda activate dlpip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

注意：上述命令安装的是支持 CUDA 11.8 的 PyTorch 版本，与前面安装的 CUDA 版本一致。

五、验证安装是否成功

运行以下 Python 代码测试 GPU 是否可用：

python -c "import torch; print('CUDA available:', torch.cuda.is_available()); print('GPU count:', torch.cuda.device_count())"

如果输出显示 CUDA available: True，恭喜你！CentOS深度学习环境搭建 已成功完成。

六、常见问题与解决方案

• 问题1：nvidia-smi 报错 “NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver.”
  解决：检查驱动是否正确安装，确认内核版本未更新导致驱动失效。
• 问题2：PyTorch 无法识别 GPU。
  解决：确认 CUDA 版本与 PyTorch 编译版本一致，可通过 nvcc --version 查看。

结语

通过本教程，你已经掌握了在 CentOS 系统上从零搭建 深度学习框架 的完整流程。无论是进行科研实验还是部署生产模型，这套环境都能为你提供强大支持。后续可继续学习 TensorFlow、ONNX 等其他框架的安装方法。

如果你觉得本教程对你有帮助，欢迎收藏并分享给更多需要的朋友！

关键词：CentOS深度学习环境搭建, CentOS安装PyTorch, CentOS配置CUDA, CentOS深度学习框架教程