回答1： Ubuntu 18.04
需要以下步骤： 1.
和cuDNN：
是NVIDIA提供的用于GPU加速的并行计算平台，cuDNN是NVIDIA提供的用于
的GPU加速库。可以从NVIDIA官网下载对应版本的
和cuDNN，并按照官方文档进行
。 2.
Anaconda：Anaconda是一个
发行版，包含了许多常用的科学计算库和工具。可以从Anaconda官网下载对应版本的
包，并按照官方文档进行
。 3. 创建虚拟环境：可以使用conda命令创建一个新的虚拟环境，例如： conda create --name env_name</p>
<p>=3.6 这将创建一个名为env_name的虚拟环境，并
3.6。 4.
框架：可以使用conda命令
常用的
框架，例如TensorFlow、
、Keras等，例如： conda install tensorflow-gpu 这将
TensorFlow GPU版本。 5.
其他依赖库：根据需要
其他依赖库，例如numpy、scipy、matplotlib等。 完成以上步骤后，就可以在虚拟环境中进行
开发了。 ### 回答2： Ubuntu 18.04是一种非常优秀的开源操作系统，尤其适用于
。在本文中，我们将为大家详细介绍在Ubuntu 18.04上如何搭建
环境。 首先，我们需要
Ubuntu 18.04操作系统。我们建议下载官方镜像进行
完毕后，我们需要
（NVIDIA计算统一设备架构）和cuDNN（NVIDIA深度神经网络）。以下是
步骤： 1.
Toolkit 我们可以通过官网直接下载tar文件进行
： $ wget https://developer.download.nvidia.com/compute/
/10.0/secure/Prod/local_installers/
_10.0.130_410.48_linux.run $ sudo sh
_10.0.130_410.48_linux.run 在
过程中会有多项选择，我们建议选择默认选项并自定义
位置。
完成后，我们需要将
添加到环境变量中。打开终端，运行以下命令： $ sudo gedit ~/.bashrc 在打开的文件的末尾添加以下代码： export PATH=/usr/local/
/bin:$PATH export LD_LIBRARY_PATH=/usr/local/
/lib64:$LD_LIBRARY_PATH 保存文件，然后运行以下命令以使配置生效： $ source ~/.bashrc 2.
cuDNN cuDNN是用于加速
的库，我们可以在NVIDIA的官网上下载。请注意，您需要注册才能下载库。 下载后将压缩包解压缩，并将文件复制到
目录中： $ tar -xzvf cudnn-10.0-linux-x64-v7.4.2.24.tgz $ cd
$ sudo cp include/cudnn.h /usr/local/
/include $ sudo cp lib64/libcudnn* /usr/local/
/lib64 $ sudo chmod a+r /usr/local/
/include/cudnn.h /usr/local/
/lib64/libcudnn* 3.
Anaconda Anaconda是一个强大的
包管理器，可以轻松管理
和相关库的版本。我们可以通过官方网站下载并
Anaconda。
完成后，打开终端，输入以下命令以检查是否
成功： $ conda list 如果显示了
包列表，则说明
成功。 4. 创建虚拟环境 为了避免不同的
库版本之间的冲突，我们建议使用虚拟环境进行开发。使用以下命令创建一个名为env的虚拟环境： $ conda create -n env
=3.7 此命令将创建一个名为env的虚拟环境，并将
版本设置为3.7。 5.
所需的
需要的
库非常重要，以下是必要库的清单： $ conda install -n env numpy matplotlib pandas jupyter scikit-learn tensorflow-gpu keras 请注意，虽然我们使用了tensorflow-gpu库，但这意味着你需要一张NVIDIA GPU显卡并正确设置
和cuDNN。 如果您的电脑没有NVIDIA GPU显卡，则不需要
tensorflow-gpu库。 6. 使用Jupyter Jupyter是一个非常好的交互式开发环境，我们建议在虚拟环境中
jupyter。输入以下命令： $ conda install -n env jupyter 然后输入以下命令启动jupyter： $ jupyter notebook 最后，您将能够成功地在Ubuntu 18.04上搭建
环境并开始进行
开发。 ### 回答3：
是当今热门的领域之一，如果要在Ubuntu 18.04上搭建
环境，需要以下几个步骤： 1.
NVIDIA 显卡驱动 要在Ubuntu上使用
，必须
视频和GPU驱动程序。相比于CPU，在GPU上训练
模型要快很多，因此推荐使用Nvidia GPU。 首先你需要下载并
NVIDIA的驱动程序，可以使用下面的命令查看可用的版本： ubuntu-drivers devices 选择最新版本的驱动程序（如果你的GPU是较旧的版本，可以考虑选择旧版本的驱动程序）并
： sudo apt install nvidia-driver-</p>
<p>和cuDNN</p>
<p>和cuDNN是与NVIDIA GPU兼容的</p>
<p>框架。</p>
<p>为GPU提供并行计算解决方案，cuDNN用于优化</p>
<p>模型的性能。 可以使用以下命令</p>
<p>： sudo apt install nvidia-
-toolkit 对于cuDNN，需要先从Nvidia开发者网站下载相对应的cuDNN版本，解压并将文件复制到/usr/local/</p>
<p>/路径下： sudo cp
/include/ sudo cp
/lib64/ 3. 配置Anaconda Anaconda是一个包含许多用于</p>
<p>的科学计算库的平台，因此我们需要</p>
<p>Anaconda。 首先从Anaconda官网下载适用于Ubuntu的Anaconda</p>
<p>包，然后运行以下命令来</p>
<p>： bash Anaconda
环境的干净和整洁，我们将在Anaconda上创建虚拟环境并在其中
所有必要的包。 使用以下命令创建具有
3的新虚拟环境： conda create --name</p>
<p>=3.6 处于安全起见，我们建议使用
3.6来进行
。 使用以下命令激活虚拟环境： conda activate</p>
<p>框架 在虚拟环境中使用以下命令</p>
<p>需要的</p>
<p>框架，如Tensorflow、Keras、</p>
<p>等等： conda install tensorflow keras
torchvision -c
` 最后，您已成功地在Ubuntu 18.04上搭建了
环境。现在您可以使用
和相应的
框架，从而开始探索
的奇妙世界。
Original: https://blog.csdn.net/CDL_LuFei/article/details/124012894
Author: CDL_LuFei
Title: 深度学习环境搭建：Pytorch与CUDA的安装
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/705547/
转载文章受原作者版权保护。转载请注明原作者出处！