在阿里云 GPU 云服务器https://www.aliyun.com/product/egs如gn6i,gn7,ecs-gn8等实例上安装 AI 环境核心在于驱动、CUDA 工具包和深度学习框架的匹配。⚠️重要前提不要自己从 NVIDIA 官网下载驱动编译极易出现版本冲突导致内核崩溃。首选方案使用阿里云提供的AI 加速镜像Deep Learning AMI或官方预装镜像。这是最稳定、最省时的方法。次选方案如果必须从零搭建请严格遵循“驱动 - CUDA - cuDNN - PyTorch/TensorFlow”的顺序。以下是两种具体操作路径 方案一一键部署推荐新手/快速上手适用场景不想折腾配置只想尽快跑通模型如 Stable Diffusion, LLM 推理。步骤 1创建服务器时选择镜像登录阿里云 ECS 控制台创建实例。在镜像选择阶段切换到“公共镜像”或“应用镜像”标签页。寻找名为“GPU 计算型”或“AI 开发环境”相关的镜像。例如Ubuntu 20.04/22.04 GPU Deep Learning Image。这些镜像通常预装了NVIDIA Driver CUDA 11.x/12.x cuDNN PyTorch/TensorFlow Jupyter Notebook。步骤 2验证环境SSH 登录服务器后运行以下命令检查是否成功# 1. 检查显卡驱动 nvidia-smi # 如果能看到显卡型号、驱动版本和 CUDA Version说明驱动正常。 # 2. 检查 CUDA 版本 nvcc --version # 3. 检查 Python 和 PyTorch python3 -c import torch; print(torch.__version__); print(torch.cuda.is_available()) # 如果输出 True说明 GPU 加速已就绪。步骤 3启动开发环境大多数 AI 镜像都预装了 Jupyter Lab你可以直接访问http://你的公网IP:8888即可在浏览器中进行代码编写和模型训练。 方案二手动从零搭建适合高级用户/定制需求适用场景需要特定版本的 CUDA或者使用的是自定义基础镜像如纯 Ubuntu Server。假设你使用的是Ubuntu 22.04系统。第一步安装 NVIDIA 显卡驱动阿里云 ECS 的 GPU 实例通常已经安装了驱动但如果是裸金属或自定义镜像可能需要重装。注意阿里云官方建议通过ubuntu-drivers自动安装避免手动.run文件安装导致的内核不匹配。# 更新软件源 sudo apt update sudo apt upgrade -y # 安装推荐驱动 sudo ubuntu-drivers autoinstall # 重启服务器使驱动生效 sudo reboot重启后再次运行nvidia-smi确认驱动加载。第二步安装 CUDA Toolkit关键原则驱动版本决定了你能安装的最高CUDA 版本但不能低于它。 查看nvidia-smi输出的CUDA Version: 12.4这意味着你最高可以安装 12.4 版本的 CUDA Toolkit也可以安装更低版本如 11.8只要兼容即可。以安装CUDA 11.8(目前最稳定的 AI 训练版本) 为例# 1. 下载 CUDA 11.8 的 runfile 安装包 (从 NVIDIA 官网获取链接) wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run # 2. 赋予执行权限 chmod x cuda_11.8.0_520.61.05_linux.run # 3. 开始安装 (注意安装过程中会问你是否安装驱动选 NO因为上面已经装过了) sudo ./cuda_11.8.0_520.61.05_linux.run --silent --toolkit --samples/usr/local/cuda-11.8/samples # 4. 配置环境变量 echo export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}} ~/.bashrc source ~/.bashrc # 5. 验证 nvcc --version第三步安装 cuDNNcuDNN 是 NVIDIA 的深度学习库必须与 CUDA 版本严格对应。去 NVIDIA Developer 网站下载对应 CUDA 11.8 的 cuDNN for Linux。解压后将头文件和库文件复制到 CUDA 目录tar -xzvf cudnn-linux-x86_64-8.9.0.131_cuda11-archive.tar.xz sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64 sudo chmod ar /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*第四步安装深度学习框架 (PyTorch 示例)千万不要用 pip install pytorch 默认源一定要去 PyTorch 官网 根据你的 CUDA 版本生成命令。对于 CUDA 11.8# 使用 conda 管理虚拟环境 (推荐) conda create -n ai_env python3.10 conda activate ai_env # 安装 PyTorch (指定 CUDA 11.8) pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118第五步验证 AI 环境创建一个测试脚本test_gpu.pyimport torch print(fCUDA Available: {torch.cuda.is_available()}) print(fDevice Count: {torch.cuda.device_count()}) print(fCurrent Device Name: {torch.cuda.get_device_name(0)}) print(fPyTorch Version: {torch.__version__}) # 简单的矩阵乘法测试速度 a torch.randn(1000, 1000).cuda() b torch.randn(1000, 1000).cuda() c torch.mm(a, b) print(GPU Inference Test Passed!) 常见问题排查 (Troubleshooting)nvidia-smi报错 NVIDIA-SMI has failed because it couldnt communicate with the NVIDIA driver原因内核更新后驱动模块未重新加载。解决重启服务器 (sudo reboot)。如果还不行尝试sudo modprobe nvidia。PyTorch 报RuntimeError: Found no NVIDIA driver on your system.原因虽然nvidia-smi能跑但 Python 找不到 CUDA 库。解决检查~/.bashrc中的LD_LIBRARY_PATH是否正确设置并执行source ~/.bashrc。显存不足 (OOM)解决减小 Batch Size。使用梯度累积 (Gradient Accumulation)。混合精度训练 (Mixed Precision, FP16/BF16)。清理其他进程nvidia-smi查看是否有僵尸进程占用显存kill -9 PID杀掉。如何远程连接 Jupyter阿里云安全组需开放8888端口。启动时加参数jupyter lab --ip0.0.0.0 --port8888 --no-browser --allow-root 最终建议对于绝大多数用户直接使用阿里云 Marketplace 中的“Deep Learning Base Image”是最优解。它们已经处理好了所有复杂的依赖关系你只需要关注代码本身。只有在有极特殊的版本需求时才考虑手动搭建。