ubuntu24.04上使用pycharm中搭建深度学习环境？

2026-04-06 02:23:50 分类：云知识

在 Ubuntu 24.04 上使用 PyCharm 搭建深度学习环境，最推荐的方式是结合 Conda（或 venv）与 NVIDIA CUDA 驱动。Ubuntu 24.04 默认使用较新的 Python 版本和系统库，因此需要特别注意依赖兼容性。

以下是完整的操作流程：

1. 前置准备：安装系统级依赖

在配置 IDE 之前，必须确保操作系统层面已安装好显卡驱动和 CUDA 工具包。

  • 安装 NVIDIA 驱动：
    Ubuntu 24.04 通常可以通过软件中心安装，但为了获得更好的性能支持，建议使用 ubuntu-drivers 命令自动安装推荐驱动：

    sudo ubuntu-drivers autoinstall
sudo reboot

    重启后验证驱动：输入 nvidia-smi，应能显示显卡信息和驱动版本。

  • 安装 CUDA Toolkit (可选但推荐)：
    虽然 PyTorch/TensorFlow 通常自带 cuDNN 和部分 CUDA 运行时，但如果你需要编译自定义算子或运行特定版本的框架，建议安装对应版本的 CUDA Toolkit。
    注意：PyTorch 官方 wheel 包通常包含其所需的 CUDA 版本，一般不需要单独安装系统级 CUDA 来运行标准模型。如果必须安装，请访问 NVIDIA 官网下载 .deb 包进行安装。

2. 安装并配置 Conda (强烈推荐)

在 Linux 深度学习开发中，Conda 比 pip 更易于管理复杂的二进制依赖（如 cuDNN、MKL）。

  • 安装 Miniconda：

    # 下载最新版的 Miniconda3
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
chmod +x Miniconda3-latest-Linux-x86_64.sh
./Miniconda3-latest-Linux-x86_64.sh

    安装过程中按提示操作，最后一步选择 yes 初始化 conda。

  • 刷新环境变量：

    source ~/.bashrc

3. 在 PyCharm 中创建深度学习虚拟环境

打开 PyCharm，按照以下步骤操作：

A. 新建项目并选择解释器

  1. 点击 File > New Project。
  2. 在左侧 Python Interpreter 下拉菜单中，点击齿轮图标 ⚙️ > Add…。
  3. 在弹出的窗口中选择 Conda Environment（如果没有看到，请确保已安装 Conda 插件或在设置中检查）。
  4. 选择 New environment。
  5. 关键配置：
    • Name: 例如 pytorch-cu121。
    • Location: 默认即可。
    • Base interpreter: 这里通常会自动识别 Conda 的基础 Python 版本。
    • 勾选 "Create a virtual environment"：保持默认。
  6. 点击 OK，PyCharm 会开始创建环境。

B. 安装深度学习框架

环境创建成功后，PyCharm 的终端（Terminal）会自动激活该环境。此时执行以下命令安装框架（以 PyTorch 为例，CUDA 12.1 是目前主流）：

# 进入刚创建的环境（如果终端未自动激活）
# conda activate pytorch-cu121 

# 安装 PyTorch 及其依赖 (根据你实际安装的 CUDA 版本调整)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

注意：如果你的显卡不支持 CUDA 12.1，可以访问 PyTorch 官网 生成对应的安装命令。如果是 CPU 模式，去掉 cu121 参数即可。

对于 TensorFlow，安装命令类似：

pip install tensorflow[and-cuda]

4. 验证环境是否成功

在 PyCharm 的 Terminal 中输入以下 Python 代码进行验证：

import torch
print(f"PyTorch version: {torch.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA device count: {torch.cuda.device_count()}")
    print(f"Current device: {torch.cuda.get_device_name(0)}")

如果输出显示 CUDA available: True 且显示了显卡名称，说明环境搭建成功。

5. 常见问题与优化建议

  • PyCharm 找不到 Conda：
    如果在 PyCharm 的设置 (Settings > Project > Python Interpreter) 中看不到 Conda 选项，请尝试手动指定路径：

    1. 添加解释器时选择 Existing Environment。
    2. 浏览到 Conda 的安装目录（通常是 /home/你的用户名/miniconda3/envs/你的环境名/bin/python）。
  • NVIDIA Container Toolkit (Docker 用户)：
    如果你打算在 PyCharm 中使用 Docker 容器进行深度学习开发，需要在宿主机安装 nvidia-container-toolkit，并在 PyCharm 的 Docker 配置中勾选 Use NVIDIA GPU。
  • 权限问题：
    如果遇到 Permission denied 错误，不要使用 sudo pip，这会导致文件所有权混乱。请确保使用 conda 或 pip 在虚拟环境中操作。
  • Ubuntu 24.04 特性：
    由于 Ubuntu 24.04 默认使用较新的 GCC 和 GLIBC，某些旧的深度学习库可能编译失败。如果遇到此类问题，建议在 PyCharm 中创建一个基于 docker 的远程解释器，或者使用 conda 提供的预编译包（Pre-built binaries），避免从源码编译。

通过以上步骤，你可以在 Ubuntu 24.04 上利用 PyCharm 获得一个稳定、隔离且具备 GPU 提速能力的深度学习开发环境。

未经允许不得转载：云计算 » ubuntu24.04上使用pycharm中搭建深度学习环境？