Ubuntu 22.04 深度学习环境搭建：从驱动到TensorRT 10.1的完整配置流程

1. 环境准备与基础检查

刚拿到一台新服务器时，我习惯先做两件事：确认硬件配置和清理系统。以我的Dell R730为例，先用lshw -short查看所有硬件信息，重点确认GPU型号是否被系统识别。如果看到"NVIDIA Corporation"字样但具体型号显示为"3D Controller"，说明需要安装驱动。

Ubuntu 22.04默认使用nouveau开源驱动，这会和NVIDIA官方驱动冲突。我推荐在安装前先执行：

sudo bash -c "echo blacklist nouveau > /etc/modprobe.d/blacklist-nvidia-nouveau.conf" sudo bash -c "echo options nouveau modeset=0 >> /etc/modprobe.d/blacklist-nvidia-nouveau.conf"

然后更新initramfs并重启：

sudo update-initramfs -u sudo reboot

重启后验证nouveau是否禁用成功：

lsmod | grep nouveau

如果没有任何输出，说明禁用成功。这时候建议顺手安装编译工具链：

sudo apt update && sudo apt install -y build-essential linux-headers-$(uname -r)

2. NVIDIA驱动安装实战

驱动安装有.run文件和apt源两种方式。实测下来，对于生产环境我更推荐使用官方.run文件安装，虽然步骤稍多但能避免依赖冲突。以RTX 2080 Ti为例：

首先到NVIDIA官网查找对应驱动版本。注意要选择"Linux 64-bit"和对应CUDA版本支持的驱动。比如CUDA 12.4需要550.x以上驱动。

下载后不要直接安装！先给文件添加执行权限：

chmod +x NVIDIA-Linux-x86_64-550.142.run

安装时建议加上这些参数：

sudo ./NVIDIA-Linux-x86_64-550.142.run --silent --dkms --no-opengl-files

其中--no-opengl-files特别重要，可以避免与系统自带的OpenGL冲突。

安装完成后，用nvidia-smi验证。如果看到GPU信息和驱动版本输出，说明安装成功。这时候建议设置持久化模式：

sudo nvidia-smi -pm 1

3. CUDA Toolkit 12.4深度配置

CUDA安装最容易踩的坑是环境变量配置。我推荐用deb方式安装，比runfile更易管理：

首先添加密钥和仓库：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/3bf863cc.pub sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/ /"

安装时指定完整版本号可以避免自动升级：

sudo apt install -y cuda-toolkit-12-4 cuda-libraries-12-4

环境变量配置建议放在/etc/profile.d/下新建cuda.sh：

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

然后执行source /etc/profile全局生效。

验证安装时别只用nvcc -V，建议跑个实际测试：

cd /usr/local/cuda/samples/1_Utilities/deviceQuery sudo make ./deviceQuery

如果看到"Result = PASS"，说明CUDA工作正常。

4. cuDNN 9.0.0安装技巧

cuDNN安装最容易出错的是版本匹配问题。我的经验是：

1. 一定要下载"Local Installer for Ubuntu22.04"版本
2. 安装前确认CUDA路径：ls /usr/local/cuda/include/cudnn_version.h
3. 下载后先验证文件完整性：

md5sum cudnn-local-repo-ubuntu2204-9.0.0_1.0-1_amd64.deb

安装步骤：

sudo dpkg -i cudnn-local-repo-ubuntu2204-9.0.0_1.0-1_amd64.deb sudo cp /var/cudnn-local-repo-ubuntu2204-9.0.0/cudnn-*-keyring.gpg /usr/share/keyrings/ sudo apt update sudo apt install -y libcudnn9 libcudnn9-dev

验证时不要只看头文件版本，建议实际测试：

cd /usr/src/cudnn_samples_v9/mnistCUDNN sudo make ./mnistCUDNN

如果看到测试准确率超过99%，说明安装成功。

5. TensorRT 10.1完整指南

TensorRT的安装最复杂的是依赖管理。我的经验是：

1. 提前安装所有依赖：

sudo apt install -y libnvinfer9 libnvinfer-dev libnvinfer-plugin9 libnvinfer-plugin-dev

2. 下载时注意选择"Debian Local Repo"格式的安装包

3. 安装后需要手动添加环境变量：

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/x86_64-linux-gnu export TENSORRT_DIR=/usr/src/tensorrt

验证安装建议使用自带样例：

cd /usr/src/tensorrt/samples/sampleOnnxMNIST sudo make -j$(nproc) cd ../../bin/ ./sample_onnx_mnist

如果看到"&&&& PASSED"输出，说明TensorRT工作正常。这时候可以测试性能：

/usr/src/tensorrt/bin/trtexec --onnx=model.onnx --saveEngine=model.engine

6. 常见问题解决方案

驱动安装失败：通常是因为Secure Boot。解决方法：

sudo mokutil --disable-validation

CUDA版本冲突：先完全卸载旧版本：

sudo apt purge -y "*cuda*" "*nvidia*" sudo rm -rf /usr/local/cuda*

cuDNN验证失败：检查软链接是否正确：

ls -al /usr/lib/x86_64-linux-gnu/libcudnn*

TensorRT样例编译错误：可能需要安装额外依赖：

sudo apt install -y python3-libnvinfer-dev

最后建议创建环境快照：

sudo apt install -y timeshift sudo timeshift --create --comments "After CUDA installation"