Ubuntu20.04+RTX4060安装CUDA+cudnn+Pytorch+TF-GPU踩坑

原创 已于 2023-07-23 09:07:19 修改 · 4.1k 阅读 · 37 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ubuntu #pytorch #linux

于 2023-07-23 09:06:46 首次发布
本文提供了RTX4060显卡安装CUDA11.3和cudnn8.2.1的详细步骤，强调了版本兼容性。安装成功后，通过nvcc--version验证CUDA，使用Tensorflow2.6.0和Pytorch1.11.0进行GPU测试，确保环境配置正确。

Caution：RTX4060显卡只能适配Cuda11.3以上的版本，我自己安装的是CUDA11.3+cudnn8.2.1

CUDA下载地址：CUDA Toolkit Archive | NVIDIA Developer

cudnn下载地址：

cuDNN Archive | NVIDIA Developer

CUDA在安装时，只选择CUDA toolkit 11.3，其他选项使用空格键切换为空白即可(其他视频截图，并非自己安装的截图，因此时CUDA11.2，但是原理是一样的)

CUDA+cudnn安装成功后，使用命令:nvcc --version, 进行测试,如下

最低0.47元/天 解锁文章
newhtyj
关注
Ubuntu20.04 RTX4060 AI环境搭建
阿xin*的嵌入式AI
06-21 1801
Ubuntu20.04系统上安装CUDA、cuDNN和TensorRT，并演示运行C++和Python范例。
RTX4060+ubuntu22.04+cuda11.8.0+cuDNN8.6.0 & 如何根据显卡型号和系统配置cuda和cuDNN所需的安装环境
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
10-05 3980
nvidia驱动版本为550.12。系统架构为：X86_64。GCC为12.3.0。
下载cuda11.2+cudnn8.1+tensorflow-gpu2.5
m0_54136420的博客
12-31 880
下载前请先安装显卡驱动，去显卡官网找对应的驱动，英伟达4060就去英伟达官网找4060的驱动。
ubuntu20.04中安装nvidia RTX4060的显卡驱动nvidia-driver-570，重启后进不了ubuntu系统，报错：/dev/nvmeOn1p8: clean
weixin_45548236的博客
09-24 208
双系统NVIDIA显卡驱动问题解决方案 在Dell Windows11系统上安装Ubuntu20.04双系统后，安装NVIDIA RTX4060显卡驱动(nvidia-driver-570)导致无法进入系统。解决方案是强制关机后进入BIOS，将显卡模式切换为独显模式，重启后问题解决。该方法避免了重装系统，成功恢复了Ubuntu的正常启动。文章提供了参考视频链接，供需要详细安装方法的用户查阅。
Win11-RTX4060安装 Pytorch-GPU/Anaconda 干货避坑指南
热门推荐
Wayne的优快云博客
05-08 3万+
pytorcha安装，anaconda踩坑记录
ubuntu20.04系统4060安装cuda11.8和cudnn8.6
qq_46107892的博客
06-29 1万+
ubuntu20.04系统4060安装cuda11.8和cudnn8.6
RTX4060对应的cuda版本
qq_34425255的博客
06-06 1万+
【代码】RTX4060对应的cuda版本。
在GPU为4060的Ubuntu20.04下的安装cuda==11.8、CUDNN==8.6.0、TensorRT 8.5.1.7
qq_41938005的博客
09-13 3776
在利用tensorrt加速推理yolo v5时，遇到这个问题，经过不断探索，不断尝试，发现是因为笔记本的显卡为4060。
Ubuntu20.04上安装Tensorflow-gpu 2.5.0和pytorch(GPU),以及Anaconda+pycharm
qq_38847794的博客
04-20 4261
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、安装Anaconda二、安装显卡驱动三、安装GPU版Tensorflow四、安装CUDA五、安装cuDNN六、安装Pytorch七、安装Pycharm总结 前言 提示：这里可以添加本文要记录的大概内容： 本文介绍Ubuntu20.04上安装Tensorflow-gpu 2.5.0和pytorch(GPU),以及Anaconda+pycharm，亲测好用，其他版本可以自行查阅按照此方法安装。 提示：以下是本篇文章正文内容.
Ubuntu20.04 + anaconda + tensorflow-gpu + pytorch深度学习环境配置
qq_45756448的博客
05-22 981
由于我的笔记本上没有nvidia显卡，所以我在台式机上配置深度学习环境，这一过程整整花费了我4天时间，前两天在库库装linux系统（因为那台台式机已经数年没使用了），后边花了2天配好了ssh+tensorflow+anaconda学习环境。由于配置过程参考了许多博客，此处就将参考的博客记录下来，以便以后回看。
精选资源
安装Ubuntu20.04与安装NVIDIA驱动的教程
01-09
在本教程中，我们将详细介绍如何在戴尔G3 3579笔记本电脑上安装Ubuntu 20.04操作系统，以及如何安装NVIDIA驱动，同时配置PyTorch和TensorFlow环境。首先，确保你的系统是在128GB的固态硬盘上安装的Ubuntu 20.04。...
ubuntu20.04/RTX3090/TensorFlow/pytorch/GPU深度学习环境超详细配置实测
Su_wenfeng的博客
05-06 1391
2021年，全球缺芯，许多电子产品产能严重不足，加上严峻的疫情，还有矿工黄牛囤货，导致显卡价格暴涨，就连各大平台也是陷入了一卡难求的境地。 RTX 30系列显卡大部分已经发售，但是真正能够享受到科技带来的福利的人少之又少。 就在去年，微星恩斯迈工厂厂区大量显卡产品竟然被盗，约有40箱RTX 3090，价值在220万元左右，官方也是悬赏10万希望知情人士提供线索。这就过分了，买不到就去偷，正所谓“年轻人完全不讲武德”。 如今深度学习类发展如火如荼，没有一张好显卡是不行的，这也间接加大了小伙伴们.
ubuntu20.04 天选4 4060 安装显卡驱动和没有wifi图标
2301_80282503的博客
01-15 1612
查看自己显卡对应的显卡驱动型号（我是4060laptop+Linus64bit）
ubuntu 18.04 安装NVIDIA驱动 cuda/cudnn + tensorflow-gpu + pytorch
scxyz的博客
12-29 6109
电脑换了华硕新主板，需要重装系统，用的Ubuntu18.04的系统，电脑用的显卡是GTX1080Ti。在新系统中装显卡驱动过程中遇到很多坑，中间无奈搞乱环境又重装了一次系统，再次尝试，终于成功。整个过程失败次数很多，参考的教程感觉自己步步都做对了，但是最后就是不能成功运行。配置系统这种事情确实比较麻烦，心态要对，遇到问题上网搜索方法，最终总归都能解决。 接下来接讲讲我装NVIDIA驱动到装tens...
ubuntu20.04 RTX4060安装CUDA11.3安装pytorch1.12.1
qq_51058035的博客
03-26 1297
这一篇文章提到，
Ubuntu20.04安装Nvidia驱动——4060显卡（黑屏解决方法）
man_Xue_hao的博客
04-05 1万+
如果按照正常方法安装不成功（如无法连接第二屏幕，nvidia-smi无显示），先尝试在安装后不管什么方法进入桌面后在应用程序中找到NVIDIA X Server Settings，在最后一项PRIME Profiles将NVIDIA On-Demand改为Performance Mode，重启后正常，安装深度学习环境也无问题，但是我的神州刷新率还是60hz，网上说法还是核显输出。
RTX4060安装pytorch-gpu （Cuda12.2）,[pytorch] torch.cuda.is_available() False,torch使用GPU运行，而不是CPU运行的操作指南
骨子里的偏爱
08-14 1万+
然后下载的cudnn,将三个文件夹中的文件分别复制粘贴到cuda安装的对应的目录下。以前安装的是torch的版本是cpu版本，我先剪切出去了，以防不成功。创建pytorch环境，我当前的是3.8.8，看第一幅图有版本。安装的过程有点慢，耐心等待即可。cmd中查看是否安装成功。
新! 新! 新! 4060笔记本安装Ubuntu，Nvidia-Driver，Cuda
qq_46181804的博客
04-21 8583
4060笔记本安装Ubuntu 显卡驱动，Cuda toolkit
deepin20 RTX4060 安装cuda、显卡，及解决torch.cuda.is_available()一直返回False的玄学方法
zenglongjian的博客
07-14 1165
deepin20 RTX4060 安装cuda、显卡，及解决torch.cuda.is_available()一直返回False的玄学方法
tensorflow 2.16.1 torch 2.6.0+cu118 torchaudio 2.6.0+cu118 torchvision 0.21.0+cu118GPU检测工具 - 检测GPU、CUDA和PyTorch ================================================== [1] 系统信息: - 操作系统: Windows 10.0.26200 - Python版本: 3.9.23 [2] 检测NVIDIA GPU: ✓ nvidia-smi 命令执行成功，发现NVIDIA显卡 Tue Nov 25 09:49:14 2025 [3] 检测CUDA安装: ✓ 发现CUDA环境变量: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3 ✓ CUDA版本信息: nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2023 NVIDIA Corporation Built on Fri_Sep__8_19:56:38_Pacific_Daylight_Time_2023 Cuda compilation tools, release 12.3, V12.3.52 Build cuda_12.3.r12.3/compiler.33281558_0 [4] 检测PyTorch CUDA支持: ✓ PyTorch已安装，版本: 2.6.0+cu118 ✓ PyTorch可以使用CUDA - CUDA设备数量: 1 - 当前CUDA设备: 0 - 当前设备名称: NVIDIA GeForce RTX 4060 Ti - CUDA版本: 11.8 ✓ 成功创建GPU张量 ================================================== 总结: NVIDIA GPU: 可用 CUDA安装: 已安装 PyTorch CUDA支持: 支持 ==================================================GPU测试TensorFlow未检测到GPU
最新发布
11-26
<think> 我们已知： - 用户系统：Windows 10.0.26200 - Python 3.9.23 - TensorFlow 2.16.1 - 已安装CUDA 12.3 - PyTorch 2.6.0+cu118可以正常使用GPU 问题：TensorFlow未检测到GPU 根据引用[1]：从TF 2.11开始，Windows平台不再支持CUDA构建。因此，在Windows上使用TensorFlow GPU，需要在WSL2中安装，或者使用tensorflow-cpu配合TensorFlow-DirectML-Plugin。 但是，用户已经安装了TensorFlow 2.16.1（这是高于2.11的版本），所以在Windows原生环境下，TensorFlow可能无法使用GPU。 然而，我们注意到PyTorch使用的是cu118（CUDA 11.8）却可以正常工作，这说明用户的驱动是支持CUDA 11.8的。而TensorFlow 2.16.1官方要求的是CUDA 11.8（根据引用[2]中TensorFlow的版本要求）。但是用户安装的是CUDA 12.3，这可能是导致TensorFlow无法检测到GPU的原因。 因此，我们需要检查以下几点： 1. 确认TensorFlow 2.16.1所需的CUDA版本。 2. 在Windows上，由于TensorFlow官方不再支持原生Windows的GPU版本，我们需要考虑替代方案。 根据TensorFlow官方安装指南（引用[2]链接），TensorFlow 2.10是最后一个支持本地Windows GPU的版本。从2.11开始，Windows GPU支持仅通过WSL2提供。 那么，对于TensorFlow 2.16.1，在Windows上我们有两种选择： a) 在WSL2（Windows Subsystem for Linux）中安装TensorFlow（使用Linux环境）。 b) 使用DirectML（通过TensorFlow-DirectML-Plugin）在Windows上利用GPU。 但是，用户已经安装了TensorFlow 2.16.1，并且PyTorch可以正常工作，说明CUDA驱动是没问题的。但TensorFlow 2.16.1在Windows原生环境下可能并不包含GPU支持。 另外，我们注意到用户安装的是CUDA 12.3，而TensorFlow 2.16.1要求的是CUDA 11.8（参考：https://www.tensorflow.org/install/source#gpu）。因此，即使是在支持的环境下（如Linux），我们也需要安装CUDA 11.8。在Windows原生环境下，由于官方不再支持，所以更不可能使用CUDA 12.3。 所以，解决步骤： 方案一：使用WSL2（推荐） 1. 启用WSL2（参考微软官方文档）。 2. 安装一个Linux发行版（如Ubuntu）。 3. 在Ubuntu中安装CUDA 11.8和cuDNN 8.6（与TensorFlow 2.16.1匹配）。 4. 在Ubuntu中安装TensorFlow 2.16.1。 方案二：使用TensorFlow-DirectML（无需CUDA，但仅支持AMD/NVIDIA等支持DirectX12的GPU） 1. 卸载当前的tensorflow 2. 安装tensorflow-directml-plugin（注意：这个包提供了tensorflow的GPU支持，但它是通过DirectML实现的，不依赖CUDA） 命令：`pip install tensorflow-directml-plugin` 3. 验证：导入tensorflow，并验证是否检测到GPU。 方案三：回退到TensorFlow 2.10（最后一个支持Windows原生GPU的版本） 1. 卸载当前TensorFlow。 2. 安装TensorFlow 2.10：`pip install tensorflow==2.10.0` 3. 安装对应的CUDA 11.2和cuDNN 8.1（根据TensorFlow 2.10的要求）。 但是，用户已经安装了CUDA 12.3，而TensorFlow 2.10要求CUDA 11.2，所以需要降级CUDA。这可能会影响其他使用CUDA 12.3的程序（比如PyTorch可能也需要重新安装支持CUDA 11.8的版本）。 考虑到用户PyTorch使用的是cu118（CUDA 11.8），所以如果选择方案三，那么需要将CUDA降级到11.2，这样PyTorch也需要安装对应CUDA 11.2的版本？或者可以同时安装多个CUDA版本，通过环境变量切换。 但是，方案三需要降级，且TensorFlow 2.10较旧，可能不是用户想要的。 因此，我们更推荐方案一（使用WSL2）或方案二（使用DirectML）。 方案二步骤详解（TensorFlow-DirectML）： 1. 确保系统为Windows 10 版本19041或更高（用户系统为10.0.26200，满足条件）。 2. 确保有支持DirectX 12的GPU（NVIDIA、AMD、Intel等），用户有NVIDIA GPU且PyTorch可用，所以应该支持。 3. 创建一个新的虚拟环境（可选，但推荐）： ``` python -m venv dmlenv dmlenv\Scripts\activate ``` 4. 安装tensorflow-directml-plugin： ``` pip install tensorflow-directml-plugin ``` 注意：这个包会安装一个名为`tensorflow`的包，它是基于DirectML的TensorFlow实现。 5. 测试： ```python import tensorflow as tf print(tf.config.list_physical_devices('GPU')) ``` 方案二不需要CUDA，所以不会与现有的CUDA 12.3冲突。但是，性能可能不如原生的CUDA，且可能不支持所有TensorFlow操作。 方案一（WSL2）步骤： 1. 启用WSL2：在PowerShell（管理员）运行： ``` dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart ``` 然后重启，并安装WSL2内核更新包（https://aka.ms/wsl2kernel）。 2. 在Microsoft Store安装Ubuntu（如Ubuntu 20.04 LTS）。 3. 在Ubuntu中安装CUDA 11.8（参考NVIDIA官方文档）： - 下载CUDA 11.8：https://developer.nvidia.com/cuda-11-8-0-download-archive?target_os=Linux&target_arch=x86_64&Distribution=WSL-Ubuntu&target_version=2.0&target_type=runfile_local - 按照命令安装。 4. 安装cuDNN 8.6（需要注册NVIDIA开发者账户）：下载对应CUDA 11.8的cuDNN，并按照说明安装。 5. 在Ubuntu中安装Python 3.9和TensorFlow 2.16.1： ``` sudo apt update sudo apt install python3.9 python3.9-venv python3.9 -m venv venv source venv/bin/activate pip install tensorflow==2.16.1 ``` 6. 测试TensorFlow是否检测到GPU。 考虑到用户已经在Windows上安装了CUDA 12.3和PyTorch，如果用户不想使用WSL2，那么方案二（DirectML）是最简单的。 但是，需要注意的是，使用DirectML时，TensorFlow的API是相同的，但后端不同，因此可能会有一些操作不支持或者性能差异。 总结：我们推荐先尝试方案二（TensorFlow-DirectML），因为它不需要改变系统环境，操作简单。 因此，具体步骤： 步骤1：卸载当前TensorFlow（如果不是在虚拟环境中，建议使用虚拟环境） 步骤2：安装tensorflow-directml-plugin 步骤3：验证 代码示例： ```bash # 创建并激活虚拟环境（可选） python -m venv tf_dml .\tf_dml\Scripts\activate # 卸载现有的tensorflow pip uninstall tensorflow # 安装tensorflow-directml-plugin pip install tensorflow-directml-plugin # 验证 python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))" ``` 如果输出显示GPU设备，则成功。 如果用户希望使用原生的CUDA支持，那么只能通过WSL2（方案一）或者考虑使用Linux系统。 注意：引用[1]明确指出Windows平台不再支持CUDA构建，因此我们无法在Windows原生环境下通过安装CUDA 11.8来使TensorFlow 2.16.1工作。 所以，我们建议用户采用方案二。 如果方案二不满足需求（例如某些操作不支持），再考虑方案一（WSL2）。 另外，用户提到PyTorch可以正常使用GPU，所以如果用户的项目允许，也可以考虑使用PyTorch代替TensorFlow。 引用标识： [^1]: 参考TensorFlow官方安装指南：https://www.tensorflow.org/install/source#gpu [^2]: 参考TensorFlow官方Windows安装说明：https://www.tensorflow.org/install/pip#windows 相关问题： 1. 如何在Windows上安装WSL2并配置CUDA？ 2. TensorFlow-DirectML-Plugin支持哪些GPU操作？ 3. 如何同时安装多个CUDA版本并在Windows中切换？ 4. 在WSL2中安装TensorFlow的详细步骤是什么？ 5. 如何验证TensorFlow是否正在使用GPU加速？ </think> ### 解决 TensorFlow 2.16.1 在 Windows 上未检测到 GPU 的问题 根据您的环境配置（Windows 10.0.26200 + Python 3.9.23 + CUDA 12.3）和引用信息[^1][^2]，以下是完整的解决方案： --- ### 一、问题根源分析 1. **Windows 平台限制** TensorFlow 2.11+ 已**停止原生 Windows GPU 支持**（引用[^1]），必须通过 WSL2 或 DirectML 方案使用 GPU $$ \text{TF 版本} \geq 2.11 \implies \text{Windows 原生 GPU 支持} = \varnothing $$ 2. **CUDA 版本冲突** TensorFlow 2.16.1 **要求 CUDA 11.8**（非 12.3），与 PyTorch 的 CUDA 12.3 环境不兼容 | 组件 | 要求 CUDA 版本 | 实际安装版本 | |-------------|----------------|--------------| | TensorFlow | 11.8 | 12.3 | | PyTorch | 11.8/12.1 | 12.3 | 3. **环境验证结果** PyTorch 可用 GPU → 证明 NVIDIA 驱动正常，问题仅限 TensorFlow 配置 --- ### 二、推荐解决方案（三选一） #### ✅ 方案 1：通过 WSL2 运行（微软官方推荐） ```powershell # 1. 启用 WSL2（管理员 PowerShell） wsl --install wsl --set-default-version 2 # 2. 安装 Ubuntu 22.04（Microsoft Store） # 3. 在 WSL 中配置环境 wsl # 进入 WSL sudo apt update && sudo apt install python3.9 python3-pip pip install tensorflow==2.16.1 # 4. 验证 GPU（在 WSL 中执行） python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))" ``` #### ✅ 方案 2：使用 TensorFlow-DirectML-Plugin ```powershell # 1. 创建新虚拟环境（避免冲突） python -m venv tf_dml .\tf_dml\Scripts\activate # 2. 安装 DirectML 插件（无需 CUDA） pip install tensorflow-directml-plugin # 3. 验证 python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))" ``` #### ⚠️ 方案 3：降级到 TensorFlow 2.10（最后支持原生 GPU 的版本） ```powershell # 1. 卸载当前版本 pip uninstall tensorflow # 2. 安装 TF 2.10 + CUDA 11.8 pip install tensorflow==2.10.0 # 3. 安装 CUDA 11.8 工具包 # 从 NVIDIA 官网下载：https://developer.nvidia.com/cuda-11-8-0-download-archive ``` > **方案对比** > | 方案 | 性能 | 兼容性 | 复杂度 | > |------------|------|--------|--------| > | WSL2 | ★★★ | ★★★ | ★★ | > | DirectML | ★★ | ★★★ | ★ | > | 降级 TF | ★★★ | ★★ | ★★★ | --- ### 三、关键配置说明 1. **驱动要求** 确保 NVIDIA 驱动 ≥ 535.86（支持 WSL2 GPU 加速）： ```powershell nvidia-smi # 检查驱动版本 ``` 2. **WSL2 目录访问** 在 WSL 中直接访问 Windows 文件： ```bash /mnt/c/Users/yourname # 对应 C:\Users\yourname ``` 3. **DirectML 限制** - 不支持所有 TensorFlow 操作 - 性能低于原生 CUDA - 仅推荐用于推理任务 --- ### 四、验证成功的关键指标 1. **TensorFlow 输出示例** ```python >>> import tensorflow as tf >>> tf.config.list_physical_devices('GPU') [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')] ``` 2. **设备信息检查** ```python from tensorflow.python.client import device_lib print(device_lib.list_local_devices()) # 应显示 GPU 详细信息 ``` --- ### 五、附加建议 1. **虚拟环境隔离** ```powershell # 为 TensorFlow 创建独立环境 python -m venv tf_env .\tf_env\Scripts\activate pip install tensorflow-directml-plugin # 或 tensorflow==2.10.0 ``` 2. **PyTorch 共存配置** ```python # 在同一个 Python 环境中同时使用 import tensorflow as tf # 通过 DirectML 使用 GPU import torch torch.cuda.is_available() # True (使用 CUDA 12.3) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值