从零到一：在双系统Ubuntu 24.04上构建CUDA+PyTorch深度学习环境全记录
1. 双系统安装与Ubuntu 24.04初体验
最近在折腾双系统时踩了不少坑，特别是选择Ubuntu 24.04这个较新版本后，发现很多教程都不太适用。先说说为什么选择双系统：Windows虽然方便，但做CUDA开发时总会遇到各种奇怪的问题；WSL2虽然能跑CUDA，但性能损耗和文件系统问题让人头疼。最终决定在笔记本上直接安装Ubuntu 24.04双系统。
安装过程最头疼的是BIOS设置。我的联想小新Pro16需要先做三件事：
- 关闭Secure Boot（否则安装时会报错）
- 调整启动模式为UEFI（传统Legacy模式会有问题）
- 准备一个至少8GB的U盘制作启动盘
制作启动盘推荐用Rufus工具，记得选择GPT分区方案。安装时有个关键细节：要在"安装类型"选择"其他选项"，手动创建分区。我的分区方案是这样的：
- EFI系统分区：512MB
- swap交换空间：内存大小的1.5倍（我32GB内存给了48GB）
- /根分区：100GB
- /home分区：剩余全部空间
安装完成后第一次重启可能会卡在紫屏，这时需要长按电源键强制关机再启动。进入系统后第一件事是更新软件源：
sudo apt update && sudo apt upgrade -y2. NVIDIA驱动安装的坑与解决方案
Ubuntu 24.04默认用的是开源nouveau驱动，根本没法用CUDA。安装闭源驱动时我试过三种方法：
方法一：使用官方.run文件从NVIDIA官网下载驱动后，需要先禁用nouveau：
sudo nano /etc/modprobe.d/blacklist-nouveau.conf添加两行：
blacklist nouveau options nouveau modeset=0然后更新initramfs并重启：
sudo update-initramfs -u sudo reboot这个方法最干净，但容易遇到与内核版本不兼容的问题。
方法二：使用Ubuntu附加驱动在"软件和更新→附加驱动"里选择专有驱动，这是最方便的方式。但Ubuntu 24.04的驱动版本可能比较旧。
方法三：通过官方PPA安装（推荐）
sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt install nvidia-driver-535安装后验证：
nvidia-smi如果看到类似下面的输出就成功了：
+---------------------------------------------------------------------------------------+ | NVIDIA-SMI 535.86.05 Driver Version: 535.86.05 CUDA Version: 12.2 | |-----------------------------------------+----------------------+----------------------+ | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |=========================================+======================+======================| | 0 NVIDIA GeForce RTX 3060 L... On | 00000000:01:00.0 On | N/A | | N/A 50C P8 15W / 80W | 532MiB / 6144MiB | 7% Default | | | | N/A | +-----------------------------------------+----------------------+----------------------+3. CUDA Toolkit与cuDNN安装实战
安装CUDA时有个大坑：不要直接安装NVIDIA官网的.run文件！在Ubuntu 24.04上推荐用apt安装：
sudo apt install nvidia-cuda-toolkit这个命令会自动安装与驱动匹配的CUDA版本（我装的是12.2）。验证安装：
nvcc --version如果提示命令未找到，需要手动添加PATH。编辑~/.bashrc文件：
export PATH=/usr/local/cuda-12/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-12/lib64:$LD_LIBRARY_PATH然后安装cuDNN。这里有个技巧：直接下载deb包安装比tar包方便很多。到NVIDIA官网下载三个deb包：
- libcudnn8_8.x.x.x-1+cuda12.0_amd64.deb
- libcudnn8-dev_8.x.x.x-1+cuda12.0_amd64.deb
- libcudnn8-samples_8.x.x.x-1+cuda12.0_amd64.deb
安装命令：
sudo dpkg -i libcudnn8*.deb验证cuDNN是否正常工作：
cp -r /usr/src/cudnn_samples_v8/ $HOME cd $HOME/cudnn_samples_v8/mnistCUDNN make clean && make ./mnistCUDNN看到"Test passed!"就说明一切正常。
4. PyTorch环境配置技巧
创建conda环境时有个细节：Ubuntu 24.04自带的Python是3.11，但有些库还不支持这么新的版本。我建议用Python 3.8：
conda create -n pytorch python=3.8 conda activate pytorch安装PyTorch时要特别注意CUDA版本匹配。虽然我装的是CUDA 12.2，但PyTorch官方还没有对应的版本。经过测试，CUDA 12.1的PyTorch也能正常工作：
pip install torch==2.2.0 torchvision==0.17.0 torchaudio==2.2.0 --index-url https://download.pytorch.org/whl/cu121如果下载速度慢，可以临时换清华源：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch==2.2.0 torchvision==0.17.0 torchaudio==2.2.0验证安装：
import torch print(torch.__version__) # 应该输出2.2.0 print(torch.cuda.is_available()) # 应该输出True print(torch.cuda.get_device_name(0)) # 显示你的GPU型号5. 开发环境优化建议
VSCode配置安装VSCode后，这几个扩展必不可少：
- Python
- Pylance
- Jupyter
- CUDA C++ (by vector-of-bool)
配置settings.json增加CUDA路径：
{ "terminal.integrated.env.linux": { "PATH": "/usr/local/cuda/bin:${env:PATH}", "LD_LIBRARY_PATH": "/usr/local/cuda/lib64:${env:LD_LIBRARY_PATH}" } }性能调优
- 关闭GNOME动画：
gsettings set org.gnome.desktop.interface enable-animations false- 调整swappiness值：
echo 'vm.swappiness=10' | sudo tee -a /etc/sysctl.conf sudo sysctl -p- 使用preload预加载常用库：
sudo apt install preloadCUDA编程小技巧编译.cu文件时，使用以下Makefile模板：
CC=nvcc CFLAGS=-O3 -arch=sm_86 # 根据你的GPU算力修改 TARGET=vector_add all: $(TARGET) $(TARGET): $(TARGET).cu $(CC) $(CFLAGS) -o $@ $< clean: rm -f $(TARGET)查询GPU算力：
nvidia-smi --query-gpu=compute_cap --format=csv6. 常见问题排查指南
驱动问题如果nvidia-smi报错"NVIDIA-SMI has failed"，尝试：
sudo apt purge *nvidia* sudo apt autoremove sudo ubuntu-drivers autoinstall sudo rebootCUDA版本混乱当系统中有多个CUDA版本时，可以用update-alternatives管理：
sudo update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-12.2 100 sudo update-alternatives --config cudaPyTorch找不到CUDA如果torch.cuda.is_available()返回False，检查：
- CUDA和PyTorch版本是否匹配
- 是否在conda环境中运行
- 尝试重装PyTorch：
pip uninstall torch torchvision torchaudio pip cache purge pip install torch --no-cache-dir双系统时间不同步Windows和Ubuntu的时间机制不同，修复方法：
timedatectl set-local-rtc 1 --adjust-system-clock折腾环境虽然费时，但稳定后的Ubuntu+CUDA+PyTorch环境用起来真的很舒服。记得定期备份重要数据，我在调试驱动时至少重装了三次系统。现在这个环境已经稳定运行两个月，训练速度比Windows快20%左右，值得这些付出。