Ubuntu22.04如何安装cuDNN8.9.7

Ubuntu22.04安装cuDNN8.9.7指南

原创于 2025-11-11 09:03:47 发布 · 1.3k 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#docker #人工智能 #服务器 #运维 #linux #cudnn #ubuntu

AI人工智能同时被 3 个专栏收录

82 篇文章

订阅专栏

AI服务器

82 篇文章

订阅专栏

AI编程

82 篇文章

订阅专栏

要在 Ubuntu 22.04 上为 CUDA 12.2 安装适配的 cuDNN（针对 RTX A6000 显卡），需选择与 CUDA 12.2 兼容的 cuDNN 8.9.x 或 8.10.x 版本（这两个版本是 NVIDIA 官方推荐的 CUDA 12.2 最优搭配，稳定性和性能最佳）。

前提条件

已安装 CUDA 12.2 且 nvcc --version 能正常显示版本（确保环境变量配置正确）。
拥有 NVIDIA 开发者账号（下载 cuDNN 需要，免费注册地址）。

安装步骤（推荐 deb 包方式，自动配置）

下载官方 cuDNN 8.9.7

官网下载地址：
cuDNN 8.9.7 for CUDA 12.x（需登录 NVIDIA 开发者账号）

对于已下载的 cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb 本地包，可按以下步骤在 Ubuntu 22.04 上安装 cuDNN 8.9.7（适配 CUDA 12.2）：

步骤 1：安装本地仓库包（添加 cuDNN 源）

该 .deb 包是 cuDNN 的本地仓库配置文件，安装后会将 cuDNN 源添加到系统中：

# 进入下载目录（替换为实际路径，例如 ~/Downloads）
cd ~/Downloads

# 安装本地仓库包
sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb

步骤 2：导入 GPG 密钥（验证包完整性）

安装仓库包后，需导入密钥以信任该源（密钥文件路径会在安装时显示，通常在 /var/cudnn-local-repo-ubuntu2204-8.9.7.29/ 目录下，替换以下路径中的密钥文件名（实际文件名可能略有差异，可通过 ls /var/cudnn-local-repo-ubuntu2204-8.9.7.29/ 查看）：

# 替换以下路径中的密钥文件名（实际文件名可能略有差异，可通过 ls /var/cudnn-local-repo-ubuntu2204-8.9.7.29/ 查看）
sudo cp /var/cudnn-local-repo-ubuntu2204-8.9.7.29/cudnn-local-7F456618-keyring.gpg /usr/share/keyrings/

步骤 3：更新 apt 缓存并安装 cuDNN 组件

# 更新 apt 缓存，识别新添加的 cuDNN 源
sudo apt update

# 安装 cuDNN 核心库、开发库和示例（必须安装这三个组件）
sudo apt install libcudnn8=8.9.7.29-1+cuda12.2  # 运行时库
sudo apt install libcudnn8-dev=8.9.7.29-1+cuda12.2  # 开发库（编译依赖）
sudo apt install libcudnn8-samples=8.9.7.29-1+cuda12.2  # 示例代码（用于验证）

注意：版本号 8.9.7.29-1+cuda12.2 需与下载的仓库包版本一致，若命令提示版本不存在，可通过 apt search libcudnn8 查看实际可用版本并调整。

步骤 4：验证安装是否成功

通过编译并运行官方示例验证：

# 复制示例代码到用户目录（避免权限问题）
cp -r /usr/src/cudnn_samples_v8/ ~/

# 进入 mnist 示例目录（经典深度学习验证案例）
cd ~/cudnn_samples_v8/mnistCUDNN

# 编译示例（需 CUDA 12.2 环境正常）
make clean && make

# 运行编译后的程序
./mnistCUDNN

若输出 Test passed!，则说明 cuDNN 8.9.7 已成功安装并与 CUDA 12.2 兼容。

补充说明

版本锁定：为防止系统自动更新 cuDNN 导致版本冲突，建议锁定版本：
```
sudo apt-mark hold libcudnn8 libcudnn8-dev libcudnn8-samples
```
卸载旧版本：若之前安装过其他版本 cuDNN，需先卸载：
```
sudo apt --purge remove libcudnn8*
```
依赖问题：若安装时提示缺少依赖，执行 sudo apt -f install 修复依赖关系后重试。
多卡适配：cuDNN 对多卡（如你的两块 RTX A6000）无需额外配置，深度学习框架（如 PyTorch、TensorFlow）会自动识别并利用多卡资源。
版本对应关系：cuDNN 版本需与 CUDA 主版本匹配（如 CUDA 12.2 对应 cuDNN 8.9.x/8.10.x），不可跨主版本（如不能用 CUDA 11.x 的 cuDNN）。
更新方法：未来需更新 cuDNN 时，只需下载新版本的 deb 包，重复步骤 3 即可（会自动覆盖旧版本）。
手动安装（tar 包方式）：若偏好手动安装，可下载 tar.xz 包，解压后将文件复制到 CUDA 目录（/usr/local/cuda-12.2/），具体可参考 NVIDIA 官方文档。

完成后，你的系统将具备完整的 GPU 加速深度学习环境（CUDA 12.2 + cuDNN 8.9.7），可直接用于 PyTorch、TensorFlow 等框架的安装和运行。

验证与性能测试

1. 基础验证

# 检查cuDNN版本
python -c "import torch; print(torch.backends.cudnn.version())"  # 应输出8907（即8.9.7）

# 检查多卡可见性
python -c "import torch; print(torch.cuda.device_count())"  # 应输出2

2. 性能基准测试

使用 NVIDIA 提供的cudnn-benchmark工具：

# 编译工具（需安装libcudnn8-dev）
git clone https://github.com/NVIDIA/cudnn-benchmark.git
cd cudnn-benchmark
make

# 测试双卡性能（以VGG16为例）
./cudnn-benchmark -b 32 -d 0,1 -f vgg16