当前位置：首页 > RockyLinux > 正文

RockyLinux深度学习环境搭建（从零开始配置CUDA、PyTorch与TensorFlow）

主机测评网
RockyLinux
2025-12-16
840

在当今人工智能快速发展的时代，RockyLinux深度学习环境搭建成为许多开发者和研究人员的刚需。Rocky Linux 是一个稳定、开源且兼容 RHEL 的企业级操作系统，非常适合用于部署高性能计算和深度学习任务。本教程将手把手教你如何在 Rocky Linux 上从零搭建完整的深度学习开发环境，包括 NVIDIA 驱动、CUDA、cuDNN、PyTorch 和 TensorFlow，即使你是 Linux 小白也能轻松上手！

准备工作

在开始之前，请确保你满足以下条件：

一台安装了 Rocky Linux 8 或 9 的计算机（建议使用最小安装版）
一块支持 CUDA 的 NVIDIA 显卡（如 RTX 30/40 系列或 Tesla 系列）
稳定的网络连接
root 权限或 sudo 权限

RockyLinux深度学习环境搭建（从零开始配置CUDA、PyTorch与TensorFlow） RockyLinux深度学习环境搭建 Rocky Linux CUDA安装深度学习开发环境配置 RockyLinux PyTorch TensorFlow 第1张

第一步：更新系统并安装基础依赖

首先，打开终端，以 root 用户或具有 sudo 权限的用户登录，执行以下命令更新系统：

sudo dnf update -ysudo dnf install -y epel-releasesudo dnf groupinstall -y "Development Tools"sudo dnf install -y kernel-devel-$(uname -r) kernel-headers-$(uname -r)

第二步：安装 NVIDIA 驱动

为了使用 GPU 加速，必须先安装 NVIDIA 官方驱动。我们推荐通过官方仓库安装，避免手动编译带来的兼容性问题。

sudo dnf config-manager --add-repo https://developer.download.nvidia.com/compute/cuda/repos/rhel8/x86_64/cuda-rhel8.reposudo dnf module install -y nvidia-driver:latest-dkmssudo reboot

重启后，运行以下命令验证驱动是否安装成功：

nvidia-smi

如果看到类似下图的输出（包含驱动版本和 GPU 信息），说明驱动已正确安装。

第三步：安装 CUDA 和 cuDNN

CUDA 是 NVIDIA 提供的并行计算平台，而 cuDNN 是深度神经网络的 GPU 加速库。两者是深度学习框架运行的基础。

sudo dnf install -y cuda-toolkit-12-3

安装完成后，将 CUDA 路径加入环境变量：

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

接着安装 cuDNN。你需要先在 NVIDIA 官网注册账号并下载对应 CUDA 版本的 cuDNN RPM 包（例如 for CUDA 12.x）。假设你已下载到本地：

sudo rpm -ivh libcudnn8-*.rpmsudo rpm -ivh libcudnn8-devel-*.rpm

第四步：安装 Python 与虚拟环境

建议使用 Python 虚拟环境隔离项目依赖：

sudo dnf install -y python3 python3-pip python3-venvpython3 -m venv dl_envsource dl_env/bin/activatepip install --upgrade pip

第五步：安装 PyTorch 与 TensorFlow

现在可以安装主流深度学习框架了。我们使用官方推荐的 pip 安装方式，自动匹配 CUDA 版本。

安装 PyTorch（支持 CUDA）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

安装 TensorFlow（支持 CUDA）：

pip install tensorflow[and-cuda]

第六步：验证安装

创建一个测试脚本 test_gpu.py：

# test_gpu.pyimport torchprint("PyTorch version:", torch.__version__)print("CUDA available:", torch.cuda.is_available())print("CUDA device count:", torch.cuda.device_count())import tensorflow as tfprint("TensorFlow version:", tf.__version__)print("GPU devices:", tf.config.list_physical_devices('GPU'))

运行它：