Ubuntu 20.04完整AI开发环境搭建与清理指南：CUDA 11.8全家桶深度实践
在AI开发领域，环境配置往往是项目开始前的第一道门槛。不同于简单的软件安装，CUDA、cuDNN和TensorRT这一套NVIDIA生态工具的部署涉及系统级配置、版本兼容性检查和复杂的依赖关系管理。更棘手的是，当我们需要切换版本或清理环境时，常规的卸载操作往往会在系统中留下各种"残骸"，导致后续安装出现难以排查的问题。本文将带你完整走通从安装到卸载的全流程，不仅告诉你"怎么做"，还会解释"为什么这么做"。
1. 环境准备与前置检查
在开始安装之前，我们需要对系统进行全面的体检。Ubuntu 20.04虽然官方支持CUDA 11.8，但实际环境中可能存在各种隐性问题。首先确认你的系统架构：
uname -m对于大多数现代工作站，你应该看到x86_64的输出。接下来检查已安装的NVIDIA驱动版本：
nvidia-smi这个命令会显示类似如下的输出：
+-----------------------------------------------------------------------------+ | NVIDIA-SMI 525.60.13 Driver Version: 525.60.13 CUDA Version: 12.0 | |-------------------------------+----------------------+----------------------+注意：虽然这里显示CUDA 12.0，但这只是驱动支持的最高CUDA版本，不代表系统中已安装的CUDA版本。
关键检查点清单：
- 确保系统已安装
gcc和make：sudo apt install build-essential - 验证内核头文件：
sudo apt install linux-headers-$(uname -r) - 检查磁盘空间：至少需要10GB可用空间
- 关闭所有可能占用GPU的进程（包括桌面环境）
重要提示：如果你之前尝试过安装CUDA但失败了，建议先跳到本文第4章执行完整清理后再开始新安装。
2. CUDA 11.8深度安装指南
2.1 通过deb包安装CUDA
NVIDIA提供了多种CUDA安装方式，deb方式因其便于管理而成为首选。首先添加CUDA仓库密钥和源：
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/3bf863cc.pub sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /"安装CUDA 11.8的元包：
sudo apt install cuda-11-8专业建议：不要安装cuda元包（它会自动升级到最新版本），而是明确指定cuda-11-8以保证版本稳定。
安装完成后，需要设置环境变量。编辑~/.bashrc文件，添加以下内容：
export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}验证安装是否成功：
nvcc --version你应该看到类似release 11.8的输出。为了进一步验证CUDA功能，可以编译并运行示例程序：
cd /usr/local/cuda-11.8/samples/1_Utilities/deviceQuery sudo make ./deviceQuery2.2 cuDNN 8.6.0定制化安装
cuDNN的安装需要特别注意版本匹配。首先从NVIDIA开发者网站下载三个deb包：
libcudnn8_8.6.0.163-1+cuda11.8_amd64.deblibcudnn8-dev_8.6.0.163-1+cuda11.8_amd64.deblibcudnn8-samples_8.6.0.163-1+cuda11.8_amd64.deb
安装命令如下：
sudo dpkg -i libcudnn8_8.6.0.163-1+cuda11.8_amd64.deb sudo dpkg -i libcudnn8-dev_8.6.0.163-1+cuda11.8_amd64.deb sudo dpkg -i libcudnn8-samples_8.6.0.163-1+cuda11.8_amd64.deb验证cuDNN安装：
cp -r /usr/src/cudnn_samples_v8/ $HOME cd $HOME/cudnn_samples_v8/mnistCUDNN make clean && make ./mnistCUDNN如果看到"Test passed!"，说明cuDNN工作正常。
2.3 TensorRT 8.6.0及其生态组件
TensorRT的安装需要额外关注其周边工具链。首先下载并安装主包：
sudo dpkg -i nv-tensorrt-local-repo-ubuntu2004-8.6.0-cuda-11.8_1.0-1_amd64.deb sudo apt update sudo apt install tensorrt根据你的使用场景，选择安装以下组件：
| 组件名称 | 用途 | 安装命令 |
|---|---|---|
| python3-libnvinfer-dev | Python接口 | sudo apt install python3-libnvinfer-dev |
| onnx-graphsurgeon | ONNX模型处理 | sudo apt install onnx-graphsurgeon |
| uff-converter-tf | TensorFlow模型转换 | sudo apt install uff-converter-tf |
验证TensorRT安装：
import tensorrt as trt print(trt.__version__) # 应该输出8.6.03. 环境配置进阶技巧
3.1 多版本CUDA共存管理
在实际开发中，我们经常需要切换不同CUDA版本。通过符号链接可以实现灵活切换：
sudo rm /usr/local/cuda sudo ln -s /usr/local/cuda-11.8 /usr/local/cuda创建切换脚本cuda-switch.sh：
#!/bin/bash sudo rm /usr/local/cuda sudo ln -s /usr/local/cuda-$1 /usr/local/cuda使用方法：sudo ./cuda-switch.sh 11.8
3.2 容器化开发环境配置
对于需要隔离的环境，可以考虑使用NVIDIA官方容器：
docker run --gpus all -it nvidia/cuda:11.8.0-base-ubuntu20.04在容器内部，可以单独安装cuDNN和TensorRT的deb包，这样主机环境保持干净。
3.3 性能调优参数
在/etc/environment中添加以下参数可以优化深度学习性能：
CUDA_CACHE_PATH=/home/$USER/.nv/ComputeCache CUDA_CACHE_MAXSIZE=1073741824 TF_GPU_THREAD_MODE=gpu_private4. 彻底卸载与系统清理指南
4.1 完全卸载TensorRT
TensorRT的卸载需要特别注意依赖关系：
sudo apt purge libnvinfer* libnvonnxparsers* libnvparsers* libnvinfer-plugin* sudo apt purge tensorrt* sudo rm -rf /usr/include/x86_64-linux-gnu/NvInfer* sudo rm -rf /usr/lib/x86_64-linux-gnu/libnvinfer*4.2 清理cuDNN所有组件
执行以下命令彻底移除cuDNN：
sudo apt purge libcudnn8* sudo find /usr -name "*cudnn*" -exec rm -rf {} + sudo updatedb4.3 CUDA的深度清理
CUDA的卸载最为复杂，需要多层清理：
- 首先移除主包：
sudo apt purge cuda-11-8- 清理残留文件：
sudo find /usr -name "*cuda*" | grep -v "cuda-11.8" | xargs rm -rf- 删除用户目录缓存：
rm -rf ~/.nv/ rm -rf ~/.cache/nvidia/- 最后清理依赖项：
sudo apt autoremove --purge4.4 系统级清理检查清单
完成上述步骤后，执行以下检查：
dpkg -l | grep -i nvidia dpkg -l | grep -i cuda dpkg -l | grep -i cudnn dpkg -l | grep -i tensorrt如果仍有残留，使用sudo dpkg -P <package-name>强制移除。
—东方仙盟)
