由 dawei 搭建Linux深度学习环境的第一步是选择合适的发行版。推荐使用Ubuntu 20.04 LTS或22.04 LTS，它们拥有良好的社区支持和丰富的软件包资源，适合初学者与进阶用户。安装系统时建议勾选“SSH服务器”选项，便于远程管理。
安装完成后，更新系统并安装基础工具。执行 sudo apt update && sudo apt upgrade，确保系统处于最新状态。随后安装git、vim、curl等常用工具，提升开发效率。通过 sudo apt install git vim curl -y 完成安装。
AI艺术作品，仅供参考
接下来配置GPU驱动。若使用NVIDIA显卡，需安装官方驱动。可通过 sudo ubuntu-drivers autoinstall 自动安装兼容驱动，也可手动下载对应版本。安装后重启系统，运行 nvidia-smi 验证驱动是否正常工作。
安装CUDA Toolkit是关键步骤。前往NVIDIA官网下载与显卡兼容的CUDA版本，推荐使用11.8或12.1。使用wget下载安装包，通过sudo dpkg -i cuda-toolkit-xxx.deb 安装。配置环境变量，在 ~/.bashrc 中添加 export PATH=/usr/local/cuda/bin:$PATH，export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH，然后 source ~/.bashrc。
安装cuDNN前需注册NVIDIA开发者账号并下载对应版本。解压后将文件复制到CUDA安装目录：sudo cp -r cuda/include/ /usr/local/cuda/include/，sudo cp -r cuda/lib64/ /usr/local/cuda/lib64/。
使用Python虚拟环境管理依赖。安装python3-pip后，创建虚拟环境：python3 -m venv dl_env，激活：source dl_env/bin/activate。安装PyTorch或TensorFlow，推荐使用官方命令，如 pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu118。
最后验证环境。在Python中导入torch，运行 torch.cuda.is_available() 应返回True。若成功，说明深度学习环境已搭建完成。后续可安装Jupyter Notebook或VS Code，开启高效开发之旅。