保姆级避坑指南：Ubuntu 18.04上CUDA 10.2与CUDNN 7.6.5的完整安装与验证流程
Ubuntu 18.04深度学习环境配置实战：CUDA 10.2与CUDNN 7.6.5避坑全攻略
在深度学习领域，环境配置往往是新手面临的第一个挑战。Ubuntu 18.04作为长期支持版本，仍然是许多实验室和开发者的首选系统。本文将带你完整走一遍CUDA 10.2与CUDNN 7.6.5的安装流程，不仅告诉你"怎么做"，更会解释"为什么这么做"，让你在遇到问题时能够自主排查。
1. 环境准备与前置检查
在开始安装之前，有几个关键点需要确认。很多新手跳过这些检查直接安装，结果导致后续出现各种兼容性问题。
首先确认你的NVIDIA驱动已经正确安装。打开终端，输入：
nvidia-smi你应该能看到类似下面的输出：
+-----------------------------------------------------------------------------+ | NVIDIA-SMI 450.119.03 Driver Version: 450.119.03 CUDA Version: 11.0 | |-------------------------------+----------------------+----------------------+这里需要注意两个关键信息：
- Driver Version：确保驱动版本足够新，支持CUDA 10.2
- CUDA Version：这里显示的是驱动支持的最高CUDA版本，不是实际安装的版本
提示：如果nvidia-smi命令报错或没有显示显卡信息，说明驱动未正确安装，需要先解决驱动问题。
接下来检查系统是否安装了gcc和make：
gcc --version make --versionCUDA安装过程中会用到这些工具链。如果未安装，可以通过以下命令安装：
sudo apt update sudo apt install build-essential2. CUDA 10.2的安装与配置
2.1 下载正确的CUDA版本
访问NVIDIA官方CUDA Toolkit存档页面，找到CUDA Toolkit 10.2的下载链接。这里特别需要注意：
- 选择"runfile (local)"安装方式，这种安装方式更灵活，出现问题更容易排查
- 下载文件通常命名为：cuda_10.2.89_440.33.01_linux.run
使用wget下载：
wget https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run2.2 关闭图形界面进行安装
CUDA安装过程中需要关闭图形界面，这是很多新手容易忽略的步骤。执行：
sudo service lightdm stop如果你的系统使用gdm3而不是lightdm，命令应为：
sudo service gdm3 stop此时屏幕可能会变黑，按Ctrl+Alt+F1切换到终端界面，登录后进入下载目录执行安装：
sudo sh cuda_10.2.89_440.33.01_linux.run安装过程中需要注意几个关键选择：
- 接受许可协议（按空格翻页，输入accept）
- 取消勾选Driver安装（我们已经安装了驱动）
- 确保Toolkit选项被选中
- 安装完成后不要立即重启
2.3 环境变量配置
安装完成后，需要配置环境变量让系统能够找到CUDA。编辑~/.bashrc文件：
nano ~/.bashrc在文件末尾添加：
export PATH=/usr/local/cuda-10.2/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} export CUDA_HOME=/usr/local/cuda-10.2保存后执行：
source ~/.bashrc验证安装是否成功：
nvcc -V应该看到类似输出：
nvcc: NVIDIA (R) Cuda compiler release 10.2, V10.2.893. CUDNN 7.6.5的安装与验证
3.1 下载正确的CUDNN版本
访问NVIDIA CUDNN下载页面（需要注册账号），在归档版本中找到对应CUDA 10.2的CUDNN 7.6.5版本。选择"cuDNN Library for Linux"的tar包下载。
3.2 安装CUDNN
解压下载的文件：
tar -xzvf cudnn-10.2-linux-x64-v7.6.5.32.tgz执行以下命令安装：
sudo cp cuda/include/cudnn.h /usr/local/cuda-10.2/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.2/lib64/ sudo chmod a+r /usr/local/cuda-10.2/include/cudnn.h sudo chmod a+r /usr/local/cuda-10.2/lib64/libcudnn*3.3 验证CUDNN安装
执行以下命令验证：
cat /usr/local/cuda-10.2/include/cudnn.h | grep CUDNN_MAJOR -A 2正确输出应该显示版本号：
#define CUDNN_MAJOR 7 #define CUDNN_MINOR 6 #define CUDNN_PATCHLEVEL 5 -- #define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)4. 常见问题排查与解决方案
4.1 安装后图形界面无法恢复
如果在安装CUDA后无法回到图形界面，可以尝试：
sudo service lightdm start # 或gdm3如果仍然无效，可能需要重新安装显示管理器：
sudo apt install --reinstall ubuntu-desktop sudo apt install --reinstall lightdm4.2 nvcc命令未找到
如果执行nvcc -V报错，可能是环境变量配置问题。检查：
- CUDA安装路径是否正确（通常是/usr/local/cuda-10.2）
- 是否执行了source ~/.bashrc
- 可以尝试直接指定完整路径：/usr/local/cuda-10.2/bin/nvcc -V
4.3 CUDNN验证失败
如果验证CUDNN时没有输出版本号，可能是：
- 文件复制时路径错误
- 权限问题，尝试重新执行chmod命令
- 下载的CUDNN版本与CUDA不匹配
5. 深度学习框架测试
最后，我们可以通过安装PyTorch来测试整个环境是否正常工作。创建一个新的conda环境：
conda create -n pytorch_test python=3.7 conda activate pytorch_test安装对应版本的PyTorch：
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.2 -c pytorch测试GPU是否可用：
import torch print(torch.cuda.is_available()) # 应该输出True print(torch.version.cuda) # 应该输出10.2在实际项目中，我发现很多问题都源于版本不匹配。保持CUDA、CUDNN和深度学习框架版本的严格对应，可以避免90%以上的环境配置问题。