Ubuntu 20.04 搭建 TensorFlow-GPU 与 PyTorch 开发环境全记录
在深度学习项目中，选择合适的开发环境往往决定了后续训练效率和调试体验。尤其是在本地部署 AI 模型时，能否顺利启用 GPU 加速，直接关系到实验迭代的速度。对于使用 NVIDIA 显卡的开发者来说，在 Ubuntu 20.04 上配置一个既能跑通 TensorFlow 又能运行 PyTorch 的 GPU 环境，是迈向高效研发的第一步。
本文基于实操经验整理了一套完整流程，涵盖从 Anaconda 虚拟环境搭建、NVIDIA 驱动安装，到 CUDA 和 cuDNN 配置，最终实现TensorFlow 2.12与PyTorch 2.0+（CUDA 11.8）共存且均可调用 GPU 的目标。整个过程经过多轮验证，适用于主流 NVIDIA 显卡（如 RTX 3060/3070/3080 等），尤其适合刚接触 Linux 下深度学习环境搭建的新手或科研人员。
为什么先装 Anaconda？
Python 包依赖管理向来是个“坑”，特别是当你要同时维护多个项目、不同框架版本共存时。Anaconda 提供了强大的虚拟环境机制，不仅能隔离 Python 解释器和库版本，还能简化包安装流程。
安装 Anaconda
前往 Anaconda 官网 下载 Linux 版本的安装脚本。以Anaconda3-2023.03-Linux-x86_64.sh为例：
wget https://repo.anaconda.com/archive/Anaconda3-2023.03-Linux-x86_64.sh bash Anaconda3-2023.03-Linux-x86_64.sh安装过程中会提示阅读许可协议，按回车浏览后输入yes接受条款。路径保持默认即可，初始化 conda 也建议选yes。
完成后执行：
source ~/.bashrc此时终端前缀应出现(base)，表示 Conda 已生效。
创建专用虚拟环境
为避免 TensorFlow 和 PyTorch 的依赖冲突，推荐创建独立环境：
conda create --name tf_pytorch python=3.9 conda activate tf_pytorch激活成功后，所有后续操作都将在该环境中进行，确保干净整洁。
小技巧：可以为常用命令设置别名，比如在
~/.bashrc中添加：
bash alias tpip="/home/your_username/anaconda3/envs/tf_pytorch/bin/pip" alias tpython="/home/your_username/anaconda3/envs/tf_pytorch/bin/python"刷新配置：
source ~/.bashrc，之后就可以用tpip install xxx快速安装包。
如何正确安装 NVIDIA 显卡驱动？
这是最容易出错的一环——显卡驱动没装好，后面再怎么折腾 CUDA 都白搭。
Ubuntu 提供了两种方式：图形化工具和命令行。如果你是在桌面系统上操作，推荐使用“附加驱动”；如果是服务器或远程 SSH 登录，则更适合用命令行。
方法一：“附加驱动”一键安装（适合新手）
打开Software & Updates → Additional Drivers，系统会自动检测可用驱动。通常推荐选择标记为“proprietary, tested”的版本。
点击 Apply Changes 开始安装，完成后重启机器。
方法二：命令行全自动安装（适合远程部署）
sudo apt update ubuntu-drivers devices # 查看推荐驱动 sudo ubuntu-drivers autoinstall sudo reboot这种方式特别适合没有 GUI 的场景，省去了手动下载.run文件的麻烦。
验证驱动是否正常
重启后运行：
nvidia-smi如果看到类似输出：
+-----------------------------------------------------------------------------+ | NVIDIA-SMI 525.105.17 Driver Version: 525.105.17 CUDA Version: 12.0 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | |===============================+======================+======================| | 0 NVIDIA GeForce RTX 3060 On | 00000000:01:00.0 On | N/A | | 30% 45C P8 15W / 170W | 1024MiB / 12288MiB | 5% Default | +-------------------------------+----------------------+----------------------+恭喜！你的 GPU 已经被识别，并且驱动工作正常。
注意：这里的 “CUDA Version: 12.0” 表示当前驱动支持最高 CUDA 12.0，但并不代表你已经安装了 CUDA Toolkit。我们仍需手动安装指定版本。
安装 CUDA Toolkit：选哪个版本最稳妥？
TensorFlow 和 PyTorch 对 CUDA 版本有明确要求。为了兼顾兼容性与稳定性，我们选择CUDA 11.8——它被 TensorFlow 2.12 和 PyTorch 2.0+ 同时支持，是目前较为理想的中间版本。
下载并安装 CUDA 11.8
进入 NVIDIA CUDA Archive，选择 Linux → x86_64 → Ubuntu → 20.04 → deb(network) 或 runfile。
这里使用 runfile 方式安装：
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run sudo sh cuda_11.8.0_520.61.05_linux.run⚠️ 关键提醒：不要勾选安装 NVIDIA Driver！因为我们已经通过系统安装了更高版本的驱动，重复安装可能导致冲突。
在交互界面中取消 Driver 安装选项，仅保留：
- [x] CUDA Toolkit 11.8
- [x] CUDA Samples
- [x] CUDA Documentation
设置环境变量
编辑~/.bashrc添加路径：
echo 'export PATH=/usr/local/cuda-11.8/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc echo 'export CUDA_HOME=/usr/local/cuda-11.8' >> ~/.bashrc source ~/.bashrc验证 CUDA 是否安装成功
进入 samples 目录编译测试程序：
cd /usr/local/cuda-11.8/samples/1_Utilities/deviceQuery sudo make ./deviceQuery若输出包含：
Result = PASS Detected 1 device(s) Device 0: "NVIDIA GeForce RTX 3060" ...说明 CUDA 安装无误，GPU 可被调用。
安装 cuDNN：深度学习性能加速的关键
cuDNN 是 NVIDIA 针对深度神经网络核心操作（如卷积、池化、归一化等）高度优化的库，几乎所有现代框架都会调用它来提升计算效率。
获取 cuDNN
需要注册 NVIDIA 开发者账号，访问 cuDNN 下载页，下载与 CUDA 11.8 对应的版本：
示例文件名：
cudnn-linux-x86_64-8.7.0.84_cuda11-archive.tar.xz
上传至服务器后解压：
tar -xvf cudnn-linux-x86_64-8.7.0.84_cuda11-archive.tar.xz复制文件到 CUDA 目录
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include/ sudo cp cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*更新动态链接缓存：
sudo ldconfig至此，底层三大组件（Driver + CUDA + cuDNN）全部就绪，接下来就可以安装深度学习框架了。
配置 TensorFlow-GPU 环境
TensorFlow 以其强大的生产部署能力著称，尤其是 TensorBoard、SavedModel、TF Serving 等生态工具，在企业级应用中表现优异。
安装 TensorFlow 2.12
确保已激活 conda 环境：
conda activate tf_pytorch pip install tensorflow==2.12.0 -i https://pypi.tuna.tsinghua.edu.cn/simple使用清华镜像可显著加快下载速度，尤其在国内网络环境下非常实用。
验证 GPU 支持
启动 Python 测试：
import tensorflow as tf print("TensorFlow Version:", tf.__version__) print("GPU Available:", tf.config.list_physical_devices('GPU')) for device in tf.config.list_physical_devices(): print(device)预期输出：
TensorFlow Version: 2.12.0 GPU Available: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]只要返回中有'GPU'设备，就说明 TensorFlow 成功调用了 GPU。
常见问题排查：
- 若提示Could not load dynamic library 'libcudart.so.11.0'，请检查 CUDA 路径是否正确。
- 若显示no supported gpu devices found，可能是 cuDNN 版本不匹配或未正确复制文件。
安装 PyTorch（GPU 版本）
PyTorch 因其动态图机制和直观的 API 设计，在学术界广受欢迎，尤其适合快速原型开发和模型调试。
使用官方命令安装
访问 pytorch.org/get-started/locally，选择对应配置，获取安装命令：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这条命令会自动拉取适配 CUDA 11.8 的预编译包，无需手动编译，极大简化安装流程。
验证 PyTorch 是否启用 GPU
import torch print("PyTorch Version:", torch.__version__) print("CUDA Available:", torch.cuda.is_available()) print("GPU Count:", torch.cuda.device_count()) if torch.cuda.is_available(): print("Current GPU:", torch.cuda.get_device_name(0))理想输出：
PyTorch Version: 2.0.1+cu118 CUDA Available: True GPU Count: 1 Current GPU: NVIDIA GeForce RTX 3060一旦torch.cuda.is_available()返回True，说明 PyTorch 已准备就绪。
推荐开发工具：PyCharm 配置指南
虽然 Jupyter Notebook 很适合做探索性分析，但在构建复杂项目时，还是需要专业的 IDE 来提升编码效率。PyCharm（尤其是专业版）提供了出色的代码补全、调试、版本控制集成等功能。
下载与安装
wget https://download.jetbrains.com/python/pycharm-community-2023.1.tar.gz tar -xzf pycharm-community-2023.1.tar.gz sudo mv pycharm-community-2023.1 /opt/启动：
cd /opt/pycharm-community-2023.1/bin ./pycharm.sh首次运行时可以选择创建桌面快捷方式，方便后续启动。
配置解释器路径
打开 PyCharm 后：
- File → Settings → Project → Python Interpreter
- 点击齿轮图标 → Add…
- 选择Conda Environment→ Existing environment
- 输入路径：
/home/your_username/anaconda3/envs/tf_pytorch/bin/python
保存后，IDE 即可识别你在 conda 中安装的所有包，包括 TensorFlow 和 PyTorch。
这套环境配置下来，你已经拥有了一个功能完备、双框架共存的专业级 AI 开发平台。无论是做图像分类、自然语言处理，还是训练生成对抗网络，都能获得稳定的 GPU 加速支持。
关键点总结如下：
- 使用CUDA 11.8 + cuDNN 8.7组合，完美兼容 TensorFlow 2.12 与 PyTorch 2.0+
- 采用Conda 虚拟环境实现依赖隔离，避免版本混乱
- 优先使用国内镜像源加速 pip 安装
- 所有组件遵循自底向上的安装顺序：驱动 → CUDA → cuDNN → 框架
- 强烈建议在物理机双系统上操作，虚拟机几乎无法实现 GPU 直通
下一步，你可以结合 Jupyter Lab 进行交互式开发，或接入 TensorBoard 实现训练可视化，进一步提升工程效率。
希望这份实战指南能帮你少踩几个坑，快速进入深度学习的核心战场。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
