Ubuntu20.04安装CUDA11.4.3出现段错误（核心已转储）解决办法

最新推荐文章于 2024-12-02 14:22:29 发布

大江东第一深情

最新推荐文章于 2024-12-02 14:22:29 发布

阅读量1.8k

点赞数 7

分类专栏： Linux 文章标签： linux

本文链接：https://blog.youkuaiyun.com/Hughie999/article/details/131307949

版权

Linux 专栏收录该内容

2 篇文章

订阅专栏

文章主要讨论了栈溢出问题及其解决方案，通过运行`ulimit-a`检查用户限制，然后使用`ulimit-sunlimited`增大stacksize。接着，展示了如何使用wget命令，特别是其`-c`选项来继续下载NVIDIACUDA的Ubuntu2004本地安装包，即cuda-repo-ubuntu2004-11-4-local_11.4.3-470.82.01-1_amd64.deb，用于安装CUDA11.4.3。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一般都是因为栈溢出。

使用命令查看用户限制：

ulimit -a

使用命令修改stack size：

ulimit -s unlimited

然后重新输入：

wget -c https://developer.download.nvidia.com/compute/cuda/11.4.3/local_installers/cuda-repo-ubuntu2004-11-4-local_11.4.3-470.82.01-1_amd64.deb

其中wget -c的作用是继续下载。

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

大江东第一深情

关注关注

7
点赞
踩
28

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Ubuntu 20.04安装CUDA 11.0、cuDNN 8.0.5

Starry-SkyJing的博客

11-11

841

不知道咋弄的ubuntu20.04电脑的cuda驱动丢了，无奈需装PyTorch环境，只有CUDA11.0以上版本才支持Ubuntu20.04，所以安装了CUDA11.0、cuDNN8.0.5及PyTorch1.7.0。为防止频繁在浏览器检索对应的贴子，今天记录一下。

Ubuntu 20.04安装 CUDA 11.6

whyscience的博客

06-11

719

下载cuda 11.6。

1 条评论您还未登录，请先登录后发表或查看评论

Ubuntu环境下cuda安装时出现段错误（核心已转储）的解决办法

LHZ233的博客

10-02

2034

笔者需要在按照网上教程，使用runfile方法去配置cuda的时候出现各种问题，第一步下载就不成功，每次下载到最后一秒都出现段错误（核心已转储），尝试了几次下载之后，换代理也是不行，，又尝试了两种方法，最后解决了，给遇到同样问题的同学一点我自己适用的解决方案~但是要注意当前终端改了，换了一个终端，还是默认的stack size，所以接下来就在当前的终端继续输入命令下载cuda_xxxx_xxxx_linux.run，即以下命令。看到stack size只有8192，我们下面要改大栈空间，以下代码任意一个。

Ubuntu20.04安装Cuda出现问题 段错误（核心已转储）

Xunuo1995的博客

01-05

1629

Cuda段错误

安装cuda10.2，“s段错误 (核心已转储)“错误解决的方法

s985425的博客

07-28

914

发现stack size 大小只有8192太小了。将stack size 改为100m问题解决。

Ubuntu18.04安装CUDA段错误（核心已转储）解决方案

m0_49247468的博客

11-03

3567

Ubuntu18.04安装CUDA段错误（核心已转储）解决方案

下载cuda安装包出现段错误

Khxlldy_0409的博客

03-16

1135

后来看到说直接把wget后面的网址复制到浏览器进行下载就好（此方法和之前命令语句下载效果好像一样，下次试试直接进行后面的安装语句，耐心等待看看会不会出现安装页面，我是心急的以为不能用）下载了好几遍到99%的时候都出现段错误，程序已转储。但是修改堆栈大小也依旧是同样的问题。

Ubuntu20.04安装cuda10.1的步骤(图文教程)

09-14

在Ubuntu 20.04上安装CUDA 10.1是进行深度学习计算的关键步骤，因为CUDA提供了GPU加速计算的能力，特别是在TensorFlow等主流深度学习框架中。本教程将详细指导如何在Ubuntu 20.04系统上安装CUDA 10.1。首先，确保...

Ubuntu 20.04 CUDA&cuDNN安装方法(图文教程)

09-14

在Ubuntu 20.04操作系统中安装CUDA和cuDNN是进行深度学习和高性能计算的重要步骤。CUDA是NVIDIA公司提供的一个并行计算平台，它允许开发者利用GPU的计算能力来加速应用程序。cuDNN（CUDA Deep Neural Network）则是...

ubuntu20.04显卡驱动,CUDA 安装和卸载,cudnn安装.pdf

07-06

在Ubuntu 20.04操作系统中，安装和管理NVIDIA显卡驱动、CUDA以及cuDNN对于深度学习和高性能计算至关重要。以下是关于这些主题的详细步骤和注意事项：一. 显卡驱动安装 1. **删除旧驱动**：首先，确保通过运行`...

linux安装cuda10.2，发生s段错误 (核心已转储)的解决记录

比尔泽lius的博客

07-07

1957

Ubuntu18.04系统安装cuda时，发生s段错误 (核心已转储)的解决记录。

Ubuntu20.04出现段错误（核心已转储）的可能原因以及解决方案

m0_74864588的博客

04-13

3873

Ubuntu20.04出现段错误（核心已转储）的可能原因以及解决方案

【问题记录】Ubuntu 22.04 环境下，程序报：段错误（核心已转储）怎么使用 core 文件和GDB调试器解决？

weixin_43729127的博客

07-21

1万+

首先要确定核心转储文件的生成路径和大小限制。然后使用调试器（如 GDB）来分析核心转储文件和堆栈跟踪信息后，修复代码中导致“段错误”的原因。

Ubuntu20.04出现段错误核心已转储问题解决方案

最新发布

04-09

<think>好的，我现在要帮用户在Ubuntu 20.04上安装CUDA 11.8并配置PyTorch环境。首先，我需要确认用户的需求是什么。用户提到他们想安装CUDA 11.8来支持PyTorch，所以主要步骤应该是安装CUDA 11.8，然后安装对应的PyTorch版本。接下来，我得回忆一下CUDA的安装流程。根据提供的引用，特别是引用[3]和引用[2]，安装CUDA可以通过下载.run文件或者使用deb包。用户提供的引用中有两种方法，一种是直接下载.run文件，另一种是通过添加仓库安装。但引用[3]中的链接是CUDA 11.8的.run文件，而引用[2]里是CUDA 12.1的deb安装方法，但用户需要的是11.8，所以应该参考引用[3]的方法。不过，我需要检查用户提供的引用是否有正确的CUDA 11.8安装方式。引用[3]给出了下载cuda_11.8.0_520.61.05_linux.run的命令，然后运行安装。而引用[2]虽然主要讲CUDA 12.1，但步骤可能类似，只是URL不同。但用户需要的是11.8，所以应该使用引用[3]中的wget命令获取安装文件。安装CUDA之前，需要确保系统已经安装了合适的NVIDIA驱动。CUDA的安装包通常包含驱动，但有时用户可能已经安装了驱动，这时候在安装CUDA时可能需要不选择安装驱动。但根据引用[2]中的步骤，他们直接安装了CUDA，可能包含了驱动。不过需要注意，如果用户已经安装了其他版本的驱动，可能会有冲突。所以可能需要先卸载旧驱动，或者确保驱动版本兼容。接下来，安装完CUDA后，需要配置环境变量，将CUDA的路径添加到PATH和LD_LIBRARY_PATH中。通常，安装程序会提示是否自动添加，但用户可能需要手动添加，比如在.bashrc文件中加入export PATH=/usr/local/cuda-11.8/bin:$PATH和export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH。然后，安装cuDNN，但用户的问题中没有提到cuDNN，不过PyTorch可能依赖cuDNN，所以可能需要安装。根据引用[4]，用户提到安装cudnn和pytorch，但具体步骤可能需要用户从NVIDIA官网下载cuDNN，解压并复制到CUDA目录中，或者通过apt安装。不过根据常见的做法，可能需要手动下载cuDNN的tar包，然后复制到CUDA的安装目录，这需要用户有NVIDIA的开发者账号，或者使用其他途径安装。不过，可能PyTorch的安装已经包含了所需的库，或者通过conda安装时自动处理依赖，比如使用cudatoolkit=11.8。因此，可能不需要单独安装cuDNN，但需要确认PyTorch版本是否与CUDA 11.8兼容，并且是否在安装命令中正确指定。然后，安装PyTorch。根据引用[1]，用户提供的安装命令是conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.8 -c pytorch -c nvidia。但需要确认PyTorch 2.0.0是否支持CUDA 11.8。通常，PyTorch的官方文档会列出支持的CUDA版本，但用户提供的命令中明确指定了pytorch-cuda=11.8，所以应该没问题。不过，可能需要检查该版本是否存在，以及conda源是否可用。另外，引用[4]中的用户安装了CUDA 11.3，然后使用conda install命令指定cudatoolkit=11.3。因此，对于CUDA 11.8，应该对应地使用cudatoolkit=11.8。但需要看PyTorch的版本是否支持。例如，PyTorch 2.0.0可能支持CUDA 11.7或11.8，但需要确认。可能需要查看PyTorch官方安装指南，确认对应版本的命令。例如，在PyTorch官网，用户可以选择CUDA 11.8，然后生成对应的安装命令。假设用户提供的引用[1]中的命令是正确的，那么按照该命令安装即可。总结步骤： 1. 安装NVIDIA驱动（如果尚未安装，可能CUDA安装包会包含驱动，但可能需要禁用nouveau驱动，并处理冲突）。 2. 下载CUDA 11.8的.run文件（引用[3]）。 3. 运行安装程序，选择不安装驱动（如果已安装驱动），否则允许安装驱动。 4. 配置环境变量。 5. 验证CUDA安装（使用nvcc --version或nvidia-smi）。 6. 安装PyTorch，使用conda命令指定CUDA 11.8（引用[1]）。 7. 验证PyTorch是否能识别CUDA。可能的注意事项： - 系统是否有兼容的GPU？用户提到的是4060 Ti，根据NVIDIA的文档，4060 Ti应支持CUDA 11.8。 - 是否安装了正确的GCC版本？CUDA 11.8可能需要特定版本的GCC，Ubuntu 20.04默认的GCC是9.4.0，而CUDA 11.8可能要求GCC版本不超过某个值，需要确认兼容性。 - 如果用户之前安装了其他CUDA版本，可能需要处理多版本共存的问题，通过软链接或环境变量切换。现在，我需要将这些步骤整理成用户友好的指导，确保每一步清晰，并引用正确的参考链接。例如，下载CUDA 11.8使用引用[3]中的命令，安装PyTorch使用引用[1]中的命令。同时，提醒用户检查驱动和依赖项。</think>### 在 Ubuntu 20.04 上安装 CUDA 11.8 并配置 PyTorch 环境 #### 步骤 1：安装 NVIDIA 驱动（可选）如果尚未安装驱动，CUDA 安装包可能包含默认驱动。若需手动安装驱动，可执行： ```bash sudo ubuntu-drivers autoinstall ``` 重启后验证驱动： ```bash nvidia-smi # 输出应包含 GPU 信息 ``` #### 步骤 2：下载 CUDA 11.8 安装包使用官方提供的 `.run` 文件安装（引用[3]）： ```bash wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run ``` #### 步骤 3：安装 CUDA 11.8 运行安装脚本并按提示操作： ```bash sudo sh cuda_11.8.0_520.61.05_linux.run ``` - **注意**：若已安装驱动，取消勾选驱动安装选项；否则允许安装。 - 默认安装路径为 `/usr/local/cuda-11.8`。 #### 步骤 4：配置环境变量将以下内容添加到 `~/.bashrc`： ```bash export PATH=/usr/local/cuda-11.8/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH ``` 加载配置： ```bash source ~/.bashrc ``` 验证安装： ```bash nvcc --version # 应显示 CUDA 11.8 ``` #### 步骤 5：安装 PyTorch 2.0.0 与 CUDA 11.8 使用 Conda 安装指定版本（引用[1]）： ```bash conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.8 -c pytorch -c nvidia ``` #### 步骤 6：验证 PyTorch 环境启动 Python 并检查 CUDA 支持： ```python import torch print(torch.__version__) # 应输出 2.0.0 print(torch.cuda.is_available()) # 应输出 True print(torch.version.cuda) # 应显示 11.8 ``` #### 注意事项 1. **驱动兼容性**：确保 NVIDIA 驱动版本 ≥ 520.61.05（与 CUDA 11.8 兼容）[^3]。 2. **多 CUDA 版本共存**：通过修改环境变量切换版本。 3. **cuDNN 支持**：PyTorch 通常已集成 cuDNN，无需单独安装[^4]。 ---