服务器双卡5090 配置深度学习环境

主要记录一下安装过程，后面会不断的更新

文章目录

• 安装过程
• • 1、验证
  • 2、安装cuda
  • 2、安装minconda
  • 3、关于CUDANN
  • 4、环境导入

---

安装过程

1、验证

验证：运行 nvidia-smi，确认驱动版本和两块RTX 5090都已正确识别。

需要注意，驱动版本大于一定的版本

2、安装cuda

下载安装：从NVIDIA CUDA Toolkit下载 下载地址

• 从这里面下载合适你的就可以，我们通常说安装CUDA 就是安装CUDA Toolkit
• 注意：在安装界面，务必用空格键取消选中 X Driver 选项，仅安装CUDA Toolkit（如果你的系统满足驱动版本）。

CUDA Installer
[ ] Driver
[X] CUDA Toolkit 12.4
[X] CUDA Demo Suite 12.4
[X] CUDA Documentation 12.4
Options
Install
↓

安装好cuda以后，需要把路径写到全局路径当中

echo 'export PATH=/usr/local/cuda-12.8/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

2、安装minconda

# 下载并安装 Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
# 按照提示安装，选择 yes 添加到 PATH
source ~/.bashrc（安装 Miniconda 时，安装程序会自动在你的 ~/.bashrc 文件末尾添加几行配置）

3、关于CUDANN

1. 当你通过 pip install torch（包括指定 --index-url 的 CUDA 版本）安装 PyTorch时，安装包里面已经内置了预编译好的 cuDNN 库。换句话说：PyTorch 不依赖系统全局安装的 cuDNN，它自己"打包"了一份。所以即使你不手动安装 cuDNN，torch.backends.cudnn.version() 仍然能正常工作。
   

4、环境导入

以其版本，比如readme里面的环境都比较老了，导入肯定会报错，建议直接第一步 pip install torch 剩下的环境缺啥补啥