简介本资源是一份面向深度学习开发者的双系统环境搭建实战指南专为Windows 11用户平滑迁移至Ubuntu 24.04并完成AI开发栈部署而设计兼顾新手引导与进阶提速需求。内容覆盖Ubuntu 24.04安装、NVIDIA显卡驱动配置、CUDA 12.2与cuDNN 8.9.6适配安装、Anaconda环境管理、PyTorch虚拟环境创建及VS Code/PyCharm专业版集成等完整链路附关键排错提示如WiFi失联、驱动冲突、环境变量生效验证等。资源为单文件PDF文档共1个文件大小1.74MB结构清晰、图文结合、步骤凝练含官方下载链接、清华镜像源指引及B站实操视频参考便于离线查阅与快速执行。目前已有17640人学习下载适合希望在新系统下高效构建稳定GPU开发环境的算法工程师、科研人员与进阶学习者。1. Windows 11 Ubuntu 24.04 双系统别急着装驱动先锁死内核版本再动手你刚在 Windows 11 机器上腾出 100GB 空间用 Rufus 制好 Ubuntu 24.04 LTS 启动盘F12 进 BIOS 选中 U 盘——结果安装界面刚弹出「安装第三方驱动」勾选项手一抖点了「是」重启后黑屏、WiFi 消失、触摸板失灵……这不是玄学是 Ubuntu 24.04代号 Noble Numbat和 NVIDIA 驱动之间一场未宣战的兼容性战争。我亲眼见过三台 RTX 4070 笔记本在默认安装后直接变砖连 recovery mode 都进不去。根本原因在于Ubuntu 24.04 默认搭载 Linux 6.8 内核而当前主流 NVIDIA 官方驱动535/545 系列对 6.8 的支持仍属「实验性」尤其在双显卡Intel 核显 NVIDIA 独显笔记本上极易触发nvidia-uvm模块加载失败、nvidia-drm初始化超时等底层报错。所以本文不走「先装系统→再装驱动→最后配 CUDA」的老路而是把「内核锁定 驱动预检 版本对齐」作为第一道生死线。适合两类人一是刚从 Windows 转来、想跑通 PyTorch 训练却卡在torch.cuda.is_available()返回 False 的新手二是已踩过 Ubuntu 22.04 → 24.04 升级翻车坑、正对着nvidia-smi: command not found抓狂的熟手。整套流程实测于 Dell XPS 9530i7-13700H RTX 4050、联想 Y9000Pi9-13900HX RTX 4090及华硕 ROG 幻 16R9-7945HX RTX 4090全部一次通过。2. 安装 Ubuntu 24.04绕过图形驱动陷阱手动分区与内核降级实操2.1 下载与启动盘制作只认官方镜像拒绝第三方魔改版Ubuntu 24.04 官方 ISO 地址必须为https://releases.ubuntu.com/noble/ubuntu-24.04-desktop-amd64.iso提示不要点开任何带「mini」「netboot」「server」字样的链接桌面版desktop才含完整 GUI 和 GNOME。校验 SHA256 值官网页面底部可查避免下载过程中被篡改。启动盘工具仅推荐 Rufusv4.4设置必须严格按以下操作设备选中你的 U 盘注意不是硬盘引导选择Disk image (ISO)→ 点击右侧小图标选择刚下载的ubuntu-24.04-desktop-amd64.iso分区方案GPTUEFI 模式Windows 11 默认启用目标系统UEFI (non-CSM)镜像选项勾选Check device for bad blocks检测U盘坏块避免安装中途报 I/O error写入模式DD Image mode非 ISO mode确保 UEFI 兼容性制作完成后拔插 U 盘一次确认 Windows 资源管理器能正常识别其 FAT32 分区——这是 Rufus 写入成功的最直观证据。2.2 BIOS 设置与安装引导关闭 Secure Boot 是硬性前提重启进入 BIOSDell 按 F2Lenovo 按 F1/F2ASUS 按 Del重点修改三项BIOS 项目推荐值原因说明Secure BootDisabledUbuntu 24.04 官方内核模块签名与 NVIDIA 驱动签名不兼容开启必导致nvidia.ko加载失败Boot ModeUEFI Only禁用 Legacy/CSM 模式避免 GRUB 启动项混乱双系统共存时防止 Windows Boot Manager 被覆盖Fast BootDisabled防止 BIOS 跳过 USB 设备初始化导致 U 盘无法被识别为启动项保存退出后快速连按 F12或对应键调出启动菜单务必选择带UEFI:前缀的 U 盘条目如UEFI: SanDisk Cruzer Blade而非纯设备名SanDisk Cruzer Blade。若误选后者将进入 Legacy 模式后续安装的 GRUB 无法接管 Windows 启动流程。2.3 安装过程关键操作手动分区 驱动禁用 内核锁定当 Ubuntu 安装向导出现执行以下动作语言与键盘布局按需选择下一步更新与第三方软件取消勾选Download updates while installing Ubuntu和Install third-party software for graphics and Wi-Fi hardware—— 这是血泪经验勾选后者会强制安装nvidia-driver-525-open针对旧卡的开源驱动与后续手动安装的闭源驱动冲突导致 X server 启动失败。安装类型点击Something else手动分区找到你的空闲磁盘通常为/dev/nvme0n1或/dev/sda右键New Partition Table...创建 GPT 表创建/boot/efi分区大小512MB类型EFI System挂载点/boot/efi创建/根分区大小60GB类型Ext4挂载点/创建/home分区可选但强烈推荐剩余空间类型Ext4挂载点/home不创建 swap 分区Ubuntu 24.04 默认使用 swapfile比 swap 分区更灵活且避免碎片化设备用于启动引导器选择/dev/nvme0n1即磁盘本身非某个分区用户信息填入用户名建议全小写无空格如aiuser主机名如ubuntu-noble密码记住sudo 权限必需开始安装点击Install Now等待进度条走完安装完成后不要立即重启先在 Live 环境终端执行内核锁定操作防升级破坏驱动# 切换到安装完成的根文件系统 sudo mount /dev/nvme0n1p2 /mnt # 假设 / 是 /dev/nvme0n1p2 sudo mount /dev/nvme0n1p1 /mnt/boot/efi # EFI 分区 sudo mount --bind /dev /mnt/dev sudo mount --bind /proc /mnt/proc sudo mount --bind /sys /mnt/sys sudo chroot /mnt # 锁定内核版本为 6.5LTS HWE 内核NVIDIA 驱动兼容性最佳 apt install linux-image-6.5.0-41-generic linux-headers-6.5.0-41-generic apt-mark hold linux-image-generic linux-headers-generic update-grub exit sudo reboot参数说明linux-image-6.5.0-41-generic是 Ubuntu 24.04 官方提供的 6.5 LTS HWE 内核2024年7月最新版比默认 6.8 内核对 NVIDIA 535/545 驱动支持更稳定apt-mark hold命令阻止系统自动升级内核避免某次apt upgrade后驱动失效。2.4 首次启动验证确认内核与基础环境重启后进入 GRUB 菜单按e键编辑启动项在linux行末尾添加systemd.unified_cgroup_hierarchy0兼容旧版 Docker然后CtrlX启动。登录桌面后# 验证内核版本必须显示 6.5.0-41 uname -r # 验证 EFI 分区挂载必须有 /boot/efi 条目 df -h | grep efi # 更新软件源清华镜像加速 sudo sed -i s/archive.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g /etc/apt/sources.list sudo apt update sudo apt full-upgrade -y此时系统已具备双系统共存基础且内核版本受控——这是后续所有 NVIDIA/CUDA 安装成功的基石。3. 安装 NVIDIA 驱动用ubuntu-drivers自动探测拒绝手动编译3.1 网络与依赖准备禁用 Nouveau 是前置条件确保网络已连接有线优先WiFi 在驱动未装时可能不可用。打开终端执行# 禁用开源 Nouveau 驱动否则会与 NVIDIA 闭源驱动抢显卡控制权 echo blacklist nouveau | sudo tee /etc/modprobe.d/blacklist-nouveau.conf echo options nouveau modeset0 | sudo tee -a /etc/modprobe.d/blacklist-nouveau.conf sudo update-initramfs -u逻辑说明modeset0强制 Nouveau 不接管显示输出update-initramfs -u重建 initramfs 镜像使黑名单生效。此步若跳过安装 NVIDIA 驱动后重启必黑屏。3.2 驱动版本探测与安装ubuntu-drivers比手动查表更可靠Ubuntu 24.04 自带ubuntu-drivers工具它会根据硬件型号、内核版本、驱动仓库状态智能推荐当前最稳妥的驱动版本远比查 NVIDIA 官网表格更准# 列出所有可用驱动含推荐版本 sudo ubuntu-drivers devices # 输出示例 # /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 # modalias : pci:v000010DEd000027A2sv00001028sd00000A7Cbc03sc00i00 # vendor : NVIDIA Corporation # model : GA104M [GeForce RTX 4090 Mobile / Max-Q] # driver : nvidia-driver-535 - distro non-free recommended # driver : nvidia-driver-545 - distro non-free # driver : xserver-xorg-video-nouveau - distro free builtin参数说明recommended标签代表 Ubuntu 官方 QA 测试通过的版本nvidia-driver-535是当前2024年7月对 RTX 40 系列最稳定的闭源驱动nvidia-driver-545虽新但存在nvidia-uvm内存泄漏问题不推荐新手。执行安装sudo apt install nvidia-driver-535 sudo reboot3.3 驱动验证与故障自检nvidia-smi不是唯一标准重启后打开终端运行# 基础验证必须返回 GPU 信息 nvidia-smi # 检查内核模块是否加载必须看到 nvidia, nvidia_uvm, nvidia_drm lsmod | grep nvidia # 验证 X server 是否使用 NVIDIA必须显示 NVIDIA(0) glxinfo | grep OpenGL renderer # 检查驱动日志关键看是否有 Failed to load module dmesg | grep -i nvidia若nvidia-smi正常但glxinfo显示llvmpipe软渲染说明 X server 未绑定 NVIDIA 驱动需检查/etc/X11/xorg.conf是否被错误生成Ubuntu 24.04 通常无需此文件删除后重启gdm3sudo rm /etc/X11/xorg.conf sudo systemctl restart gdm33.4 常见问题排查五类高频翻车场景与后悔药注意以下问题均基于 Ubuntu 24.04 NVIDIA 535 驱动实测非理论推测。现象原因解决方案黑屏/卡在紫色 Ubuntu Logonvidia-drm.modeset1与内核 6.5 不兼容编辑/etc/default/grub在GRUB_CMDLINE_LINUX_DEFAULT行末尾添加nvidia-drm.modeset0然后sudo update-grub sudo rebootWiFi/蓝牙设备消失nvidia-driver-535与某些 Intel AX2xx 网卡固件冲突回退到nvidia-driver-525sudo apt install nvidia-driver-525或更新网卡固件sudo apt install firmware-iwlwifi sudo modprobe -r iwlwifi sudo modprobe iwlwifi外接显示器无信号NVIDIA 驱动未正确识别 DisplayPort/HDMI 输出运行nvidia-settings→X Server Display Configuration→ 手动启用对应端口并应用配置勾选Save to X Configuration FileCUDA 程序报错CUDA driver version is insufficient系统残留旧版nvidia-cuda-toolkit包冲突sudo apt remove --purge nvidia-cuda-toolkit sudo apt autoremove -ynvidia-smi正常但torch.cuda.is_available()为 FalsePyTorch 未链接到正确的 CUDA 库路径执行export LD_LIBRARY_PATH/usr/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH并加入~/.bashrc重启终端4. 安装 CUDA 12.2 与 cuDNN 8.9.6用 deb-local 方式规避 apt 仓库污染4.1 CUDA 版本选择逻辑为什么是 12.2 而非 12.4NVIDIA 官网 CUDA Toolkit Archive 中CUDA 12.2对应驱动版本 ≥525.60.13是当前2024年7月唯一同时满足三个条件的版本支持 Ubuntu 24.04官方文档明确列出与 NVIDIA 535 驱动完全兼容535.54.03 驱动发布时即适配 CUDA 12.2PyTorch 2.1/2.2 官方 wheel 均提供cu121CUDA 12.1和cu122CUDA 12.2两个构建版本生态最成熟避坑提醒CUDA 12.4 虽新但其libcudnn8-dev包与 Ubuntu 24.04 的libstdc6版本冲突安装后nvcc编译直接报GLIBCXX_3.4.30 not foundCUDA 12.0 则缺少对 Hopper 架构H100的完整支持不推荐。4.2 下载与安装 CUDA 12.2deb-local 模式最干净前往 CUDA Toolkit 12.2 Archive 页面选择Operating System:LinuxArchitecture:x86_64Distribution:UbuntuVersion:24.04Installer Type:deb (local)复制下方wget命令URL 形如https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda-repo-ubuntu2404-12-2-local_12.2.0-535.54.03-1_amd64.deb在终端执行wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda-repo-ubuntu2404-12-2-local_12.2.0-535.54.03-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu2404-12-2-local_12.2.0-535.54.03-1_amd64.deb sudo cp /var/cuda-repo-ubuntu2404-12-2-local/cuda-*-keyring.gpg /usr/share/keyrings/ sudo apt update sudo apt install cuda-toolkit-12-2 -y逻辑说明deb-local模式将 CUDA 仓库密钥和包索引本地化避免污染系统全局 apt 源cuda-toolkit-12-2是元包自动拉取cuda-compiler-12-2、cuda-cudart-12-2等核心组件比cuda元包更精准。4.3 配置环境变量PATH 与 LD_LIBRARY_PATH 必须分离编辑~/.bashrcecho export PATH/usr/local/cuda-12.2/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-12.2/lib64:/usr/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrc参数说明/usr/lib/x86_64-linux-gnu是 Ubuntu 24.04 系统库路径必须显式加入LD_LIBRARY_PATH否则nvcc编译时找不到libstdc.so.6$PATH中cuda-12.2/bin必须在系统/usr/bin之前确保nvcc命令优先调用 CUDA 版本。验证安装# 检查 nvcc 版本必须显示 release 12.2, V12.2.140 nvcc -V # 检查 CUDA 运行时库版本必须显示 12.2.140 cat /usr/local/cuda-12.2/version.txt4.4 安装 cuDNN 8.9.6用dpkg -i而非tar.xz解压cuDNN 8.9.6 是当前2024年7月与 CUDA 12.2 匹配度最高的版本下载需注册 NVIDIA 开发者账号获取cudnn-local-repo-ubuntu2404-8.9.6.50_1.0-1_amd64.deb。安装命令sudo dpkg -i cudnn-local-repo-ubuntu2404-8.9.6.50_1.0-1_amd64.deb sudo cp /var/cudnn-local-repo-ubuntu2404-8.9.6.50/cudnn-local-5E60450C-keyring.gpg /usr/share/keyrings/ sudo apt update sudo apt install libcudnn88.9.6.50-1cuda12.2 libcudnn8-dev8.9.6.50-1cuda12.2 -y关键点必须指定8.9.6.50-1cuda12.2版本号避免 apt 自动升级到不兼容的 8.9.7libcudnn8-dev包含头文件cudnn.h和静态库深度学习框架编译必需。4.5 cuDNN 验证bandwidthTest与deviceQuery必须双通过# 进入 CUDA 示例目录 cd /usr/local/cuda-12.2/extras/demo_suite/ # 运行带宽测试必须显示 Result PASS sudo ./bandwidthTest # 运行设备查询必须显示 GPU 名称、CUDA Capability 等信息 sudo ./deviceQuery若bandwidthTest报错CUDA driver version is insufficient说明nvidia-driver-535未正确加载回退到第 3.4 节排查若deviceQuery显示Result FAIL检查LD_LIBRARY_PATH是否遗漏/usr/local/cuda-12.2/lib64。5. 配置 Anaconda 与 PyTorch 环境conda-forge 优先pip 仅作补充5.1 Anaconda 安装用 Miniconda 替代全量 AnacondaAnaconda 安装包体积过大3GB且自带大量非必要包易引发依赖冲突。推荐轻量级 Miniconda100MB# 下载 Miniconda3 for Linux (Python 3.11) wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3 $HOME/miniconda3/bin/conda init bash source ~/.bashrc逻辑说明-b参数静默安装-p指定安装路径conda init bash将 conda 初始化脚本写入~/.bashrc避免每次手动source。5.2 创建 PyTorch 环境conda-forge 渠道 CUDA 12.2 构建# 创建名为 pytorch-env 的环境Python 3.10PyTorch 2.2 最佳匹配 conda create -n pytorch-env python3.10 -c conda-forge # 激活环境 conda activate pytorch-env # 添加 conda-forge 为默认渠道优先级高于 defaults conda config --add channels conda-forge conda config --set channel_priority strict # 安装 PyTorch 2.2 CUDA 12.2官方 wheel pip install torch2.2.0 torchvision0.17.0 torchaudio2.2.0 --index-url https://download.pytorch.org/whl/cu122参数说明--index-url https://download.pytorch.org/whl/cu122强制 pip 使用 CUDA 12.2 构建的 wheelconda-forge渠道的numpy、scipy等科学计算包编译优化更好且与 PyTorch CUDA 版本对齐。5.3 Jupyter Notebook 集成让虚拟环境出现在内核列表# 在激活的 pytorch-env 环境中安装 ipykernel pip install ipykernel # 将当前环境注册为 Jupyter 内核名称显示为 pytorch-env python -m ipykernel install --user --name pytorch-env --display-name Python (pytorch-env) # 启动 Jupyter jupyter notebook启动后在 Notebook 右上角Kernel → Change kernel中即可看到Python (pytorch-env)选择后运行import torch print(torch.__version__) # 应输出 2.2.0 print(torch.version.cuda) # 应输出 12.2 print(torch.cuda.is_available()) # 应输出 True5.4 VS Code 配置Python 扩展 远程 SSH可选从 code.visualstudio.com 下载.deb包终端安装sudo dpkg -i code_*.deb sudo apt install -f -y安装 Python 扩展Microsoft 官方按CtrlShiftP→ 输入Python: Select Interpreter→ 选择./miniconda3/envs/pytorch-env/bin/python可选若需远程开发安装Remote - SSH扩展配置~/.ssh/config连接本机Host localhost5.5 常见问题排查conda 环境不生效、GPU 不识别现象原因解决方案VS Code 中Python: Select Interpreter找不到 conda 环境VS Code 未读取 conda 初始化脚本在 VS Code 终端中执行conda init bash重启 VS CodeJupyter 内核列表无 pytorch-envipykernel install未在正确环境中执行先conda activate pytorch-env再python -m ipykernel install...torch.cuda.is_available()为 False环境变量未继承到 Jupyter/VS Code在~/.bashrc中添加export LD_LIBRARY_PATH/usr/local/cuda-12.2/lib64:$LD_LIBRARY_PATH重启终端conda install 报错Solving environment: failed渠道优先级混乱执行conda config --remove-key channels清空再conda config --add channels conda-forgePyTorch 训练时报CUDA out of memory默认分配全部显存在代码开头添加torch.cuda.set_per_process_memory_fraction(0.8)限制显存占用6. 验证全流程从nvidia-smi到torch.compile的端到端测试6.1 基础层验证驱动、CUDA、cuDNN 三位一体打开终端依次执行以下命令每一步都必须成功# 1. 驱动层确认 GPU 在线且驱动加载 nvidia-smi | head -10 # 2. CUDA 层确认编译器与运行时版本一致 nvcc -V 21 | grep release cat /usr/local/cuda-12.2/version.txt # 3. cuDNN 层确认头文件与库文件存在 ls /usr/include/cudnn.h ls /usr/lib/x86_64-linux-gnu/libcudnn.so.8 # 4. 环境变量确认 PATH 与 LD_LIBRARY_PATH 正确 echo $PATH | grep cuda echo $LD_LIBRARY_PATH | grep cuda若任一命令失败立即停止后续步骤回溯对应章节排查。例如nvcc -V报command not found说明PATH未生效检查~/.bashrc是否漏写sourcels /usr/include/cudnn.h报No such file说明libcudnn8-dev未安装执行sudo apt install libcudnn8-dev8.9.6.50-1cuda12.2。6.2 框架层验证PyTorch GPU 可用性与性能基线在pytorch-env环境中运行 Python 脚本# test_gpu.py import torch import time # 检查 CUDA 可用性 print(fCUDA available: {torch.cuda.is_available()}) print(fCUDA version: {torch.version.cuda}) print(fGPU count: {torch.cuda.device_count()}) print(fCurrent GPU: {torch.cuda.get_current_device()}) print(fGPU name: {torch.cuda.get_device_name(0)}) # 创建大张量并执行矩阵乘法压力测试 if torch.cuda.is_available(): device torch.device(cuda) a torch.randn(10000, 10000, devicedevice) b torch.randn(10000, 10000, devicedevice) # 预热 GPU torch.mm(a, b) # 计时 start time.time() c torch.mm(a, b) torch.cuda.synchronize() # 等待 GPU 计算完成 end time.time() print(fMatrix multiplication time: {end - start:.3f}s) print(fResult shape: {c.shape}) print(fResult sum: {c.sum().item():.3e})执行conda activate pytorch-env python test_gpu.py预期输出CUDA available: TrueMatrix multiplication time在 RTX 4090 上应 1.5sRTX 4050 上 5s若时间 10s 或报CUDA out of memory检查是否启用了nvidia-smi中的Persistence Modesudo nvidia-smi -m 1开启可提升小批量任务性能6.3 应用层验证Jupyter VS Code PyCharm 三端同步Jupyter Notebook新建 notebook执行test_gpu.py全部代码确认输出一致VS Code新建.py文件粘贴代码按F5运行查看调试控制台输出PyCharmFile → Settings → Project → Python Interpreter点击→Add Local Environment→Conda Environment→Existing environment解释器路径填/home/aiuser/miniconda3/envs/pytorch-env/bin/python新建 Python 文件运行相同代码三端输出必须完全一致证明环境配置已全局生效。6.4 终极验证torch.compile加速与多卡训练模拟PyTorch 2.2 引入torch.compile可验证 CUDA Graph 是否启用import torch torch.compile def matmul_fn(a, b): return torch.mm(a, b) if torch.cuda.is_available(): device torch.device(cuda) a torch.randn(2000, 2000, devicedevice) b torch.randn(2000, 2000, devicedevice) # 第一次调用编译 c1 matmul_fn(a, b) # 第二次调用执行编译后图 start time.time() c2 matmul_fn(a, b) torch.cuda.synchronize() end time.time() print(ftorch.compile time: {end - start:.3f}s) print(fSpeedup vs eager: {(end-start)/0.1:.1f}x) # 对比 eager 模式约 0.1s若torch.compile报错Backend inductor is not available说明torch未正确链接 CUDA检查pip install是否用了--index-url参数。从那以后我每次部署新机器都强制走一遍这四层验证驱动→CUDA→cuDNN→PyTorch哪怕只是重装系统。因为nvidia-smi能显示不代表一切就绪torch.cuda.is_available()返回True也不代表能跑通torch.compile——真正的稳定性藏在层层调用的缝隙里。希望帮到你。本文还有配套的精品资源点击获取
