从零开始搭建深度学习环境（Ubuntu新手友好版）

二、安装 Anaconda（推荐使用 conda 管理环境）

conda 是一个强大的 Python 环境和包管理工具，非常适合管理多个深度学习项目。我们先安装 Anaconda：

1. 打开终端（Ctrl + Alt + T）
2. 下载 Anaconda 安装脚本（以 2023 年版本为例）：

wget https://repo.anaconda.com/archive/Anaconda3-2023.07-2-Linux-x86_64.sh  

然后运行安装脚本：

bash Anaconda3-2023.07-2-Linux-x86_64.sh  

安装过程中按提示操作，遇到 “Do you accept the license terms?” 输入 yes，最后建议初始化 conda（输入 yes）。

安装完成后，重启终端或运行：

source ~/.bashrc  

验证是否安装成功：

conda --version  

三、安装 NVIDIA 驱动与 CUDA（GPU加速关键）

如果你有 NVIDIA 显卡，这一步非常关键。CUDA 是 NVIDIA 提供的并行计算平台，能极大提升深度学习训练速度。

首先查看你的显卡型号：

lspci | grep -i nvidia  

推荐使用 Ubuntu 自带的驱动安装方式（简单安全）：

1. 打开“软件和更新” → “附加驱动”
2. 选择推荐的 NVIDIA 驱动（通常标有 “tested”）
3. 点击“应用更改”，等待安装完成并重启

验证驱动是否安装成功：

nvidia-smi  

如果看到显卡信息和驱动版本，说明成功了！

接下来安装 CUDA Toolkit。注意：PyTorch 和 TensorFlow 通常自带 CUDA 运行时，因此不一定需要单独安装完整 CUDA Toolkit。但为了兼容性，建议安装与 PyTorch 匹配的 CUDA 版本（如 CUDA 11.8 或 12.1）。

你可以通过 conda 直接安装 cudatoolkit：

conda install cudatoolkit=11.8 -c nvidia  

四、创建深度学习环境并安装 PyTorch

现在我们用 conda 创建一个独立的 Python 环境，避免包冲突：

conda create -n dl python=3.10 -yconda activate dl  

激活环境后（命令行前缀会变成 (dl)），安装 PyTorch。请根据你的 CUDA 版本选择命令，这里以 CUDA 11.8 为例：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118  

如果是 CPU 模式，则使用：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu  

五、验证安装

在 Python 中测试 PyTorch 是否能调用 GPU：

python3 -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"  

如果输出类似：

2.0.1+cu118True  

恭喜你！Ubuntu深度学习环境 已成功搭建！

六、常用工具推荐

• Jupyter Notebook：交互式编程神器
• VS Code：轻量级但功能强大的代码编辑器
• TensorBoard：可视化训练过程

你可以通过以下命令安装 Jupyter：

conda activate dlpip install jupyterjupyter notebook  

总结

通过以上步骤，你已经成功在 Ubuntu 上搭建了包含 conda配置、CUDA安装 和 PyTorch安装 的完整深度学习环境。后续你可以根据项目需求安装 TensorFlow、OpenCV、scikit-learn 等其他库。记住，良好的环境管理是高效开发的第一步！

关键词：Ubuntu深度学习环境, CUDA安装, conda配置, PyTorch安装