CentOS或Ubuntu系统下如何安装NVIDIA驱动和深度学习框架？-PHPWP博客

下面以 Ubuntu 22.04 和 CentOS 7/8 为例，给出从安装 NVIDIA 驱动到配置深度学习框架（以 PyTorch + CUDA 为主）的通用流程。你可以根据自己实际版本做微调。

一、通用准备

1. 确认显卡与当前驱动状态

nvidia-smi

能显示驱动版本、GPU 型号、CUDA 版本 → 说明已有驱动。
若报错 command not found 或无法识别 GPU → 需要重新安装驱动。

查看内核版本：

uname -r

确保后续安装的驱动版本与内核匹配（NVIDIA 官网会提示）。

二、Ubuntu 系统下安装 NVIDIA 驱动

方式 A：使用 Ubuntu 官方源（推荐新手）

更新软件源：

sudo apt update
sudo apt upgrade

添加 NVIDIA 驱动 PPA（可选，某些发行版已内置）：

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update

查看可用驱动版本：

ubuntu-drivers devices

输出类似：

== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 ==
model: GeForce RTX 3080
driver   : nvidia-driver-535 - distro non-free recommended
driver   : nvidia-driver-525 - distro non-free
...

安装推荐驱动（例如 nvidia-driver-535）：

sudo ubuntu-drivers autoinstall
# 或直接指定版本：
# sudo apt install nvidia-driver-535

重启系统：

sudo reboot

验证：

nvidia-smi

看到驱动版本和 CUDA 版本信息即成功。

注意：不要手动从 .run 安装包，除非有特殊需求，否则容易与系统包管理冲突。

方式 B：从 NVIDIA 官网下载 `.run` 文件（高级用户）

适用于较新 GPU 或特定驱动版本。

进入 NVIDIA 驱动下载页面，选择对应产品、操作系统，下载 Linux x86_64 的 .run 文件。
关闭图形界面（X11/Wayland），切换到 TTY（Ctrl+Alt+F3）：

sudo systemctl get-default      # 确认默认目标
sudo systemctl set-default multi-user.target
sudo systemctl isolate multi-user.target

禁用 nouveau（开源驱动）：

编辑 /etc/modprobe.d/blacklist-nouveau.conf：

sudo nano /etc/modprobe.d/blacklist-nouveau.conf

加入：

blacklist nouveau
options nouveau modeset=0

更新 initramfs：

sudo update-initramfs -u

安装驱动：

chmod +x NVIDIA-Linux-x86_64-xxx.xx.run
sudo ./NVIDIA-Linux-x86_64-xxx.xx.run --no-opengl-files --no-kernel-modules

按提示接受许可，安装完成后重启：

sudo reboot

三、Ubuntu 下安装 CUDA Toolkit（与驱动配套）

NVIDIA 驱动自带部分 CUDA 运行时，但深度学习通常需要独立安装 CUDA Toolkit（包含 cuDNN、nvcc 等）。

1. 确定所需 CUDA 版本

查看 nvidia-smi 中 “CUDA Version” 是驱动支持的最高版本。
根据深度学习框架要求选择略低或同版本的 CUDA（如 PyTorch 官方镜像通常提供多个 CUDA 版本）。

示例：需要 CUDA 12.1。

2. 添加 NVIDIA CUDA 仓库（Ubuntu 22.04）

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update

3. 安装 CUDA Toolkit（以 12.1 为例）

sudo apt install cuda-toolkit-12-1

或更精细地只安装部分组件（视需求而定）。

4. 配置环境变量

将以下内容加入 ~/.bashrc：

export PATH=/usr/local/cuda-12.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH

然后：

source ~/.bashrc

验证：

nvcc --version

四、Ubuntu 下安装深度学习框架（PyTorch 示例）

1. 使用 conda 安装（推荐）

安装 Miniconda/Anaconda（若未安装）：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
# 按提示完成安装，并 source ~/.bashrc

创建环境并安装 PyTorch + CUDA：

conda create -n torch_env python=3.10
conda activate torch_env

# 根据你的 CUDA 版本选择命令，例如 CUDA 12.1
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

验证：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

2. 使用 pip 直接安装（不推荐用于多项目隔离）

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

五、CentOS 7/8 安装 NVIDIA 驱动

CentOS 没有像 Ubuntu 那样方便的图形化驱动源，一般做法是：

1. 启用 EPEL 并安装必要工具

sudo yum install -y epel-release
sudo yum groupinstall -y "Development Tools"
sudo yum install -y kernel-devel kernel-headers $(uname -r)

2. 下载 NVIDIA 驱动 `.run` 文件

同上，去 NVIDIA 官网下载对应 CentOS 的 Linux x86_64 驱动。

3. 临时停止图形界面（如有）

sudo systemctl set-default multi-user.target
sudo systemctl isolate multi-user.target

4. 禁用 nouveau

编辑 /etc/modprobe.d/blacklist-nouveau.conf：

blacklist nouveau
options nouveau modeset=0

重建 initramfs（CentOS 7）：

sudo dracut --force

CentOS 8 类似：

sudo dracut --force

5. 安装驱动

chmod +x NVIDIA-Linux-x86_64-xxx.xx.run
sudo ./NVIDIA-Linux-x86_64-xxx.xx.run --no-opengl-files --no-kernel-modules

重启：

sudo reboot

验证：

nvidia-smi

六、CentOS 下安装 CUDA Toolkit

1. 添加 NVIDIA 仓库（以 CUDA 12.1 为例）

wget https://developer.download.nvidia.com/compute/cuda/repos/rhel8/x86_64/cuda-repo-rhel8-12.1.1-1.x86_64.rpm
sudo rpm -ivh cuda-repo-rhel8-12.1.1-1.x86_64.rpm
sudo yum clean all
sudo yum makecache

2. 安装 CUDA Toolkit

sudo yum install cuda-toolkit-12-1

或只安装需要的组件：

sudo yum install cuda-cudart cuda-nvcc ...

3. 配置环境变量

编辑 ~/.bashrc：

export PATH=/usr/local/cuda-12.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH

source ~/.bashrc
nvcc --version

七、CentOS 下安装深度学习框架

同样推荐使用 conda：

# 安装 Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
source ~/.bashrc

conda create -n torch_env python=3.10
conda activate torch_env

# 根据 CUDA 版本选择，例如 CUDA 12.1
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

验证同上。

八、常见问题排查

nvidia-smi 找不到设备
- 检查内核模块是否加载：lsmod | grep nvidia
- 检查是否有多个驱动冲突（如 nouveau 未禁用）。
PyTorch 检测不到 GPU
- 确认 nvidia-smi 正常。
- 确认安装的 PyTorch 版本与 CUDA 版本匹配（看 PyTorch 官网）。
- 在 Python 中运行：
```
import torch
print(torch.version.cuda)
print(torch.cuda.is_available())
```
驱动版本太老，不支持新 CUDA
- 升级 NVIDIA 驱动到最新版本（保持与现有 CUDA Toolkit 兼容的版本）。

如果你能提供：

具体系统版本（如 Ubuntu 22.04 / CentOS 7.9）
显卡型号
需要的 CUDA 版本或深度学习框架（PyTorch/TensorFlow/ONNX 等）

我可以给出一份完全针对你环境的“一键脚本”式安装步骤。