当前位置： 首页 > news >正文

新！在 podman-machine-default 中安装 CUDA、cuDNN、Anaconda、PyTorch 等并验证安装

news 来源：原创 2025/4/26 3:22:42

#工作记录

一、前言

在 Windows 系统开发环境中，Podman Desktop 凭借强大的容器管理与 WSL-Linux 子系统集成能力备受开发者关注。

其中，podman-machine-default 是 Podman Desktop 安装后自带的默认 WSL-Fedora 子系统，支持与显卡通信，可用于搭建深度学习环境及部署 AI 项目。

解锁新技能！Windows 11 借助 WSL - Linux 部署 GitHub 项目全攻略_wsl github-CSDN博客

但需注意，该默认子系统仅允许操作用户权限，无 root 权限。​

若需 root 权限进行系统级操作，可在 Podman Desktop 图形界面点击 “Create Podman machine”新建 Podman machine 子系统，并在创建时设置授予 root 权限：

 

同时，podman-machine-default 作为默认环境，操作时需格外谨慎，一旦出现崩溃，可能影响 Podman Desktop 正常功能。

当崩溃发生，可通过 Podman Desktop 图形界面先停止 podman-machine-default，再执行删除操作，随后点击 “开始并初始化”，即可将其恢复至初始空白状态。

​

在 Windows Subsystem for Linux（WSL）环境下，CUDA、cuDNN、Anaconda 及 PyTorch 等工具安装流程虽大体相似，但因 Linux 发行版差异，安装命令与软件包细节会有不同，常导致安装受阻。

podman-machine-default还能便捷地在Podman Desktop设置中开启ssh远程连接的支持：

本文通过详细回测与重现，记录安装全过程，为开发者提供参考。​

借助 Podman Desktop 的容器功能与 WSL-Linux 子系统结合，特别是利用基于 Fedora Linux 41 的开发环境，可高效部署不兼容 Windows 的 AI 项目。

当然，这里只是记述了Podman Desktop的其中一种用法，并非推荐用法，请注意按实际需要调整 WSL-Linux的实现方式。

本文将完整呈现安装配置过程，帮助开发者规避常见错误，顺利搭建podman-machine-default开发环境。

原本只想在安装配置成功后记录一个简洁版本的，后来回测的时候发现出错概率太高了，所以就把podman-machine-default中实现深度学习环境搭建的记录，按回测、排查错误、重现的过程完整记录下来，供大家参考。

Podman Desktop：现代轻量容器管理利器（Podman与Docker）-CSDN博客

PyCharm 链接 Podman Desktop 的 podman-machine-default Linux 虚拟环境-CSDN博客

二、安装前的准备：

（一）类似流程的搭建方法请参考：

在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 CUDA 的记录_cuda-wsl-ubuntu.pin-CSDN博客

Windows 11 系统下，通过 WSL（Windows Subsystem for Linux）里的 Ubuntu 24.04 安装 CUDNN 记录_wsl cudnn-CSDN博客

在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 Anaconda3_wsl2 ubuntu 24.04 anaconda-CSDN博客

在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 Torch 的记录_ubuntu24.04 python3.12 国内源安装 torch-CSDN博客

 在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch并验证安装_cuda 12.8 pytorch版本-CSDN博客

（二）安装前的检查及安装步骤简录：

1、安装前检查（Windows主系统）

Window主系统上应准备好或安装好：
（1）通畅的网络环境

准备好代理网络，稳定通畅的网络环境十分重要。

（2）最新的NVIDIA显卡驱动

下载 NVIDIA 官方驱动 | NVIDIA

（3）指定的Visual Studio版本

可以是社区版（免费）或专业版（试用后需要付费）及以上版本；

版本号要求：17.13以下版本（不包含17.13），因为在官方社区文档中，微软官方已确认17.13该版本与CUDA不兼容，会导致CUDA安装失败，并且经过测试，17.14版本也没有得到修复。

新系统安装CUDA12.8卡在installing Nsight visual studio edtion界面不动的解决方案_cuda12.8安装失败-CSDN博客

（4）最新的CUDA版本

CUDA 工具包 12.8 Update 1 下载 |NVIDIA 开发人员

目前最新的是CUDA12.812.8 Update 1；

Window主系统上已安装的CUDA版本号应大于或等于WSL中要安装的版本；

CUDA从12.6版开始，能自动更新环境变量和管理系统上之前的旧版本，CUDA的.exe安装包在安装时会自动检测并卸载旧版本。

温馨提示：为避免生产环境受影响，请注意对系统上的虚拟环境进行备份！

好消息，最新CUDA和cuDNN安装，俩都可以用exe安装包直装了 CUDA12.6.3和cuDNN9.6.0 Windows系统 省事_cuda最新版本-CSDN博客

（5）最新的cuDNN版本

cuDNN 9.8.0 Downloads | NVIDIA Developer

目前最新的是cuDNN 9.8.0；

从9.7.X版本开始，下载cuDNN已经无需注册登录了，可以直接下载；

​

​

下载最新的cuDNN版本，目前最新的cuDNN可以通过.exe文件来安装，该.exe安装包安装后会自动匹配已安装的CDUA进行安装cuDNN；

​

在Linux下通过命令安装，也是会自动匹配CUDA来安装cuDNN版本，这就是为什么明明指定安装的是9.8.0版本的cuDNN，但安装完成后验证时，显示的却是cuDNN其他版本号的原因之一。

验证PyTorch深度学习环境Torch和CUDA还有cuDNN是否正确配置的命令_验证pytorch和cuda的命令-CSDN博客

（6）正确安装并稳定运行的WSL-Linux子系统

Windows Subsystem for Linux - Microsoft Apps 应用商店

安装 WSL | Microsoft Learn 官方文档

关于WSL稳定运行的几点建议：

A、建议C盘空间尽量留大一点；

可以把硬盘留一些未分配的隐藏空间，方便后期用于C盘或其他盘符空间的扩容。

B、建议系统设置里“保存新内容的地方”保持默认的C盘；

设置——系统——储存——高级储存设置——保存新内容的地方——新的应用将保存到：

System (C:)

这里尽量保持默认的C盘，不要改动，因为查阅了大量资料和官方文档，微软官方目前也无法处理改动后的WSL启动错误和运行不稳定问题。

（此前我一直是把这里改到D盘，但后来实在是修复怕了，修复过程相当艰辛，往往需要查阅数百个网页和网友对话，还有一个是修复后的深度学习环境配置过程也比较耗时）

​

C、设置WSL的网络自动代理

不要直接去碰WSL的配置文件，而是通过下文中记述的用图形界面设置选项进行设置。 

WLS2怎么设置网络自动代理_wls 网络模式解析-CSDN博客

WIN11 中已安装 LINUX 子系统出现 WSL 0x80071772 错误的解决方案_wslregisterdistribution failed with error: 0x80071-CSDN博客

排查适用于 Linux 的 Windows 子系统问题 | Microsoft Learn

超详细Windows10/Windows11 子系统（WSL2）安装Ubuntu20.04（带桌面环境）_wsl安装ubuntu20.04-CSDN博客

 简单的WSL问题可以查阅相关疑难解答。

（7）正确安装并确定运行的Podman Desktop

Podman Desktop：现代轻量容器管理利器（Podman与Docker）-CSDN博客

Troubleshooting | Podman Desktop 故障排除

（8）Podman Desktop自带的podman-machine-default子系统

一般情况下这个不用手动安装，正常是安装Podman Desktop过程中，选中WSL和Hyper-V后自动生成的。

​

（9）安装Windows主系统上的其他必要程序或组件

这个范围比较广，包括但不限于上边提到的：NVIDIA显卡驱动程序、适用于Linux的Windows子系统（组件）、虚拟机平台（组件）、虚拟机监控平台（组件）、Hyper-V等（组件）、Visual Studio Community、CUDA、cuDNN、PyCharm Community、Git、GitHub Desktop、Podman Desktop、CMake、Visual Studio 生成工具、Microsoft C++ 生成工具、IncrediBuild等等程序或组件。

请根据实际情况有针对性地进行安装调试和配置。

2、安装步骤简记

A、先处理Window主系统里的必要程序或组件；
B、再处理WSL中的安装和相关问题：
（1）查询并确认系统版本和相关信息<podman-machine-default（WSL-Linux）>
cat /etc/os-release
（2）确认或处理系统GPU的支持情况<podman-machine-default（WSL-Linux）>
nvidia-smi

如果nvidia-smi输出失败，则需要另外的处理，将在下一章节中详细记录。

（3）安装对应系统的必要包和组件<podman-machine-default（WSL-Linux）>

如wget、curl、bash、nano等

（4）安装CUDA（使用官网命令在线安装）

试了官方提供的三种方法，其中在线安装（network）比较容易成功配置。

 （5）配置CUDA的系统环境变量<podman-machine-default（WSL-Linux）>

打开系统环境变量编辑器；

粘贴添加变量内容（变量值）；

关闭系统环境变量编辑器；

用命令使系统环境变量生效；

（6）验证CUDA的安装
nvcc -V
nvidia-smi
（7）确认安装 或 不安装NVIDIA 的开源驱动程序

如果上一步的命令执行后输出都没问题，则不要安装NVIDIA CUDA官网提供的开源驱动；

如果上一步的命令执行后输出有问题，则安装NVIDIA CUDA官网提供的开源驱动进行调试；

（8）安装cuDNN（使用官网命令本地安装）

试了官方提供的两种方法，其中本地安装（local）比较容易成功配置。

（9）验证cuDNN的系统环境变量

一般不用手动配置cuDNN的系统环境变量，因为cuDNN是安装到CUDA的目录中，在前边配置CUDA系统环境变量时，已经包含这些目录；

这一步是暂时性的检验cuDNN是否已被正确包含在系统环境变量中。

（10）暂时性地验证cuDNN的安装

通过简单的命令，暂时性的验证cuDNN的安装结果，后续会用专门的命令统一进行验证，因为python和有些库还没安装，所以统一验证的命令暂时还不能运用。

（11）安装Anaconda或Miniconda

用来管理python版本和conda虚拟环境

（12）安装PyTorch

通过安装PyTorch来检验podman-machine-default（WSL-Linux）对PyTorch GPU的支持。

（13）通过命令全面验证CUDA、cuDNN、Anaconda、PyTorch 等是否安装成功

全面验证podman-machine-default（WSL-Linux）的深度学习环境搭建情况

（14）安装Git
（15）验证Git的安装
（16）配置Git
（17）其他安装和配置（自定义/可选）…

如果顺利的话，流程至此，WSL-podman-machine-default的深度学习环境将基本搭建完毕！

三、详细的安装和配置步骤：

在本章中，我们将详细讲解如何在 podman-machine-default（WSL 环境中的 Fedora Linux 41）中安装 CUDA、cuDNN、Anaconda、PyTorch 等深度学习所需的软件包，并完成必要的环境配置。通过这些步骤，我们将能够在 Windows 系统下的容器化 Linux 环境中运行深度学习任务。

（一）查询并确认系统版本和相关信息<podman-machine-default（WSL-Linux）>

可以通过以下命令查询系统版本和相关信息：

 打开系统里的podman-machine-default图标，进入podman-machine-default系统

​

 运行以下命令查询系统相关信息：

cat /etc/os-release

（因为是回测重现，所以我截图中的终端显示是（base）虚拟环境，仅作展示，不影响后续操作） 

​

或者是在pycharm终端中打开podman-machine-default虚拟机也是一样的效果：

​

这将显示系统的详细信息，例如：

​

 输出内容摘录如下：

[user@AI ~]$ cat /etc/os-release
NAME="Fedora Linux"
VERSION="41 (Container Image)"
RELEASE_TYPE=stable
ID=fedora
VERSION_ID=41
VERSION_CODENAME=""
PLATFORM_ID="platform:f41"
PRETTY_NAME="Fedora Linux 41 (Container Image)"
ANSI_COLOR="0;38;2;60;110;180"
LOGO=fedora-logo-icon
CPE_NAME="cpe:/o:fedoraproject:fedora:41"
DEFAULT_HOSTNAME="fedora"
HOME_URL="https://fedoraproject.org/"
DOCUMENTATION_URL="https://docs.fedoraproject.org/en-US/fedora/f41/system-administrators-guide/"
SUPPORT_URL="https://ask.fedoraproject.org/"
BUG_REPORT_URL="https://bugzilla.redhat.com/"
REDHAT_BUGZILLA_PRODUCT="Fedora"
REDHAT_BUGZILLA_PRODUCT_VERSION=41
REDHAT_SUPPORT_PRODUCT="Fedora"
REDHAT_SUPPORT_PRODUCT_VERSION=41
SUPPORT_END=2025-12-15
VARIANT="Container Image"
VARIANT_ID=container
[user@AI ~]$  

从输出的 /etc/os-release 文件内容来看，我的系统是 Fedora Linux 41 (Container Image)。

这意味着我正在使用的是一个基于 Fedora Linux 41 的容器镜像版本。

以下是一些关键信息的总结：

1、系统版本信息

  • 名称：Fedora Linux

  • 版本：41 (Container Image)

  • 发行版类型：Stable

  • ID：fedora

  • 版本号：41

  • 平台 ID：platform:f41

  • 完整名称：Fedora Linux 41 (Container Image)

  • 支持结束日期：2025-12-15

2、官方资源链接

  • 主页：Fedora Linux | The Fedora Project

  • 文档：https://docs.fedoraproject.org/en-US/fedora/f41/system-administrators-guide/

  • 支持论坛：Ask Fedora - Fedora Discussion

  • Bug 报告：Red Hat Bugzilla Main Page

确认我们在 podman-machine-default 中运行的是 Fedora Linux 41，确保后续安装的包和驱动与系统版本兼容。

（二）确认或处理系统GPU的支持情况<podman-machine-default（WSL-Linux）>

在上一步中，我们确认了当前运行的podman-machine-default系统版本是 Fedora Linux 41。

然后需要确认一下podman-machine-default对系统GPU的支持情况。

在podman-machine-default中输入以下命令查询：

​
nvidia-smi

1、 状态一：输出正常

如果输出如下： 

则表明此时podman-machine-default与Windows主系统的GPU通信是正常的，因为后边有些操作会导致掉驱动，所以我们在下边的文中会时不时再次使用该命令来确认podman-machine-default系统的GPU支持状态。

2、状态二：输出异常

如果输出是：

[user@AI ~]$ nvidia-smi

-bash: nvidia-smi: command not found

[user@AI ~]$ nvcc -V

-bash: nvcc: command not found

[user@AI ~]$

2.1、 输出异常command not found的解决方案：

-bash: nvidia-smi: command not found

-bash: nvcc: command not found

2.1.1分析可能的原因：

如果podman-machine-default（WSL-Linux）提示 `nvidia-smi` 和 `nvcc` 命令未找到，这可能是因为以下原因之一：

1、Windows主系统中NVIDIA 驱动问题；
2、Windows主系统中CUDA 工具包问题；
3、Windows主系统中环境变量问题；
4、WSL-Linux的安装问题；
5、WSL 的 NVIDIA 驱动支持问题。

……

在1、2、3、4确认没问题之后，其中第5才是最常见也是最易发生的问题。

2.1.2 解决方法：

第5点 WSL 的 NVIDIA 驱动支持问题 的解决方法：

配置 WSL 以支持 NVIDIA 驱动

在 Windows 端，确保NVIDIA 驱动和CUDA工具包等正常后，可以通过以下方式修复在 WSL 中使用 nvidia-smi命令输出异常的问题：

  • 安装 WSL 2 的 NVIDIA 驱动：

运行以下命令，将 NVIDIA 驱动的路径添加到 WSL 的 PATH 中

echo 'export PATH=$PATH:/usr/lib/wsl/lib' >> ~/.bashrc
source ~/.bashrc

  • 验证 nvidia-smi 是否可用：

nvidia-smi

如果配置正确，应该可以看到 GPU 的状态信息。

（三）安装对应podman-machine-default（WSL-Linux）系统的必要包和组件

如wget、curl、bash、nano等

sudo dnf update
sudo dnf install wget
sudo dnf install curl 
sudo dnf install bash 
sudo dnf install nano

这些命令都是基于 ​DNF​（Dandified Yum）的 Linux 包管理操作，主要用于在 Fedora、CentOS Stream 或其他基于 RPM 的系统中管理软件包。

以下是每个命令的具体作用：

1. sudo dnf update

  • ​作用​：更新系统中所有已安装的软件包到最新版本。
  • ​细节​：
    • sudo：以管理员权限运行命令。
    • dnf update：检查仓库中的新版本，并升级所有软件包（包括安全补丁和功能更新）。
  • ​使用场景​：保持系统安全和稳定性，修复漏洞，获取最新功能。

2. sudo dnf install wget

  • ​作用​：安装 wget 工具。
  • ​细节​：
    • wget 是一个命令行下载工具，支持 HTTP/HTTPS/FTP 协议，常用于从网络下载文件。
    • 示例用途：wget https://example.com/file.zip 直接下载文件到当前目录。
  • ​使用场景​：需要从终端下载文件时使用。

3. sudo dnf install curl

  • ​作用​：安装 curl 工具。
  • ​细节​：
    • curl 是一个多功能命令行工具，支持 HTTP/HTTPS/FTP/SMTP 等协议，常用于传输数据或与 API 交互。
    • 示例用途：curl https://example.com 显示网页内容，或 curl -O https://example.com/file.zip 下载文件。
  • ​使用场景​：需要更灵活的网络请求（如调试 API、上传下载）时使用。

4. sudo dnf install bash

  • ​作用​：安装或更新 Bash（Bourne Again Shell）。
  • ​细节​：
    • Bash 是大多数 Linux 系统的默认命令行解释器（Shell），用于执行命令和编写脚本。
    • 通常系统已预装，此命令可能用于修复损坏的安装或升级到新版本。
  • ​使用场景​：需要自定义 Shell 环境或修复 Shell 相关问题时使用。

5. sudo dnf install nano

  • ​作用​：安装 nano 文本编辑器。
  • ​细节​：
    • nano 是一个简单易用的终端文本编辑器，适合新手快速编辑配置文件（如 /etc/hosts）。
    • 功能比 vim 更简单，自带快捷键提示（如 Ctrl+O 保存，Ctrl+X 退出）。
  • ​使用场景​：需要编辑文本文件但没有图形界面时使用。

小结

  • ​系统维护​：dnf update 保持系统最新。
  • ​网络工具​：wget 和 curl 用于下载和网络交互。
  • ​基础工具​：bash 和 nano 是日常命令行操作的核心工具。

如果有具体使用场景（如开发、服务器管理），可以进一步优化安装的软件包列表！

（四）安装CUDA（使用官网命令在线安装）

CUDA 是 NVIDIA 提供的并行计算平台和编程模型，它支持 GPU 加速。在 podman-machine-default 上安装 CUDA 时，我们将使用 NVIDIA 官方的安装脚本。

试了官方提供的三种方法，其中在线安装（network）比较容易成功配置。

以下是官网的一组自动执行安装命令示例：

sudo dnf config-manager addrepo --from-repofile https://developer.download.nvidia.com/compute/cuda/repos/fedora41/x86_64/cuda-fedora41.repo
sudo dnf clean all
sudo dnf -y install cuda-toolkit-12-8

此命令会自动安装 CUDA 以及相关的工具包和示例。

详细操作：

 1、打开CUDA官网

CUDA Toolkit 12.8 Update 1 Downloads | NVIDIA Developer

​

2、选择系统和安装方式：

这里要选对：

2.1、系统类型（Linux）；
2.2、架构(x86_64)；
2.3、对应的Linux操作系统(Fedora)；
2.4、对应的Linux操作系统版本号(41)；
2.5、安装或部署工具中的安装方法选项，每个选项都代表不同的安装方式：
  • rpm (local)：

    • 这个选项表示使用 RPM 包管理器从本地文件系统安装软件包。

    • 用户需要先下载 RPM 包到本地，然后通过包管理器进行安装。

  • rpm (network)：

    • 这个选项表示通过网络使用 RPM 包管理器安装软件包。

    • 这通常意味着包管理器会从远程仓库或服务器下载 RPM 包并进行安装，适用于需要从网络获取软件包的情况。

  • runfile (local)：

    • 这个选项表示使用本地的可执行文件（runfile）来安装或运行软件。

    • 用户需要先下载可执行文件到本地，然后直接运行该文件进行安装或启动软件。

这些选项提供了不同的安装和部署方法，我们可以根据自己的网络环境和需求选择合适的方式。

例如，在没有网络连接的环境中，可能会选择本地安装方式；而在需要快速部署或更新时，可能会选择网络安装方式。

3、复制官网中的命令粘贴到podman-machine-default终端中：

比如上图中我选择的rpm (network)网络安装方式：

sudo dnf config-manager addrepo --from-repofile https://developer.download.nvidia.com/compute/cuda/repos/fedora41/x86_64/cuda-fedora41.repo
sudo dnf clean all
sudo dnf -y install cuda-toolkit-12-8
过程会比较漫长，请提前保持网络通畅 

​​​​

​

    4、如果一种方式安装失败，可以更换网络环境重复尝试，或者自由选择更换安装方式。 

    如果链接有效，但命令执行失败，多数情况下可能是网络问题。请尝试重新运行命令。

    或者更换安装方式<rpm (local) / rpm (network) / runfile (local)>

     （五）配置CUDA的系统环境变量<podman-machine-default（WSL-Linux）>


    安装完 CUDA 后，需要配置系统环境变量，使其生效。我们可以通过以下步骤进行配置：

     1、查找CUDA的安装路径：

    find /usr/local -name nvcc 2>/dev/null

    find /usr/local -name nvcc 2>/dev/null
    [user@AI ~]$ find /usr/local -name nvcc 2>/dev/null
    /usr/local/cuda-12.8/bin/nvcc
    [user@AI ~]$ 

    我们已经找到了 nvcc 的安装路径，它位于 /usr/local/cuda-12.8/bin/nvcc。

    现在，我们可以设置 CUDA 环境变量来确保系统能够正确地找到 CUDA Toolkit。

    2、设置环境变量


    打开我们的 shell 配置文件，例如 ~/.bashrc：

    vi ~/.bashrc

    或：

    nano ~/.bashrc

    打开之后，在文件的末尾添加以下行：

    export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

    保存并关闭文件。

    3、重新加载配置文件：

    source ~/.bashrc

     这样，系统环境变量配置成功。

    4、用vi 编辑器设置环境变量详细流程示例

    以下是在 ~/.bashrc 文件中添加 CUDA 环境变量的步骤：

    1. 打开终端。
    2. 使用文本编辑器打开 ~/.bashrc 文件。如果我们的系统中没有 nano，我们可以尝试使用 vi 或 vim：
      vi ~/.bashrc
    3. 使用 vi 或 vim 编辑文件，按 i 键进入插入模式。
    4. 在文件的末尾添加以下行（确保替换 <cuda-version> 为实际的版本号，例如 12.8）：
      export CUDA_HOME=/usr/local/cuda-12.8
export PATH=$PATH:$CUDA_HOME/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CUDA_HOME/lib64
    5. 按 Esc 键退出插入模式。
    6. 输入 :wq 然后按 Enter 键保存并退出 vi 或 vim。
    7. 重新加载配置文件，使更改生效：
      source ~/.bashrc
    8. 验证环境变量是否设置正确：
      echo $CUDA_HOME
echo $PATH
echo $LD_LIBRARY_PATH

    确保这些环境变量的值正确指向了我们的 CUDA Toolkit 安装路径。

    （六）验证CUDA的安装

    nvidia-smi

    1、 测试 CUDA Toolkit

    为了验证 CUDA Toolkit 是否正确安装和配置，我们可以尝试运行以下命令检查版本：

     在podman-machine-default终端中运行以下命令：

    nvcc -V

    或使用： 

    nvcc --version

     如果安装成功，我们应该能看到类似以下输出，显示 CUDA 版本信息：

    [user@AI ~]$ nvcc -V
    nvcc: NVIDIA (R) Cuda compiler driver
    Copyright (c) 2005-2025 NVIDIA Corporation
    Built on Fri_Feb_21_20:23:50_PST_2025
    Cuda compilation tools, release 12.8, V12.8.93
    Build cuda_12.8.r12.8/compiler.35583870_0
    [user@AI ~]$ 

    如果 nvcc 命令可用并且显示了版本信息，则说明 CUDA Toolkit 安装和环境变量设置成功。

    2、再次确认podman-machine-default（WSL-Linux）的NVIDIA支持

    另外，为了确保podman-machine-default的NVIDIA显卡驱动在安装CUDA后仍保持正常状态，此时可用以下命令再次确认：

    nvidia-smi

    3、注意事项

    • 确保在添加环境变量时没有拼写错误，特别是路径和变量名。

    • 如果我们使用的是其他 shell（如 zsh 或 fish），我们需要编辑相应的配置文件（如 ~/.zshrc 或 ~/.config/fish/config.fish）。

    • 如果我们在系统中没有找到 nvcc，可能需要重新安装 CUDA Toolkit 或者查找安装日志来确定其安装位置。

    通过以上步骤，我们应该能够正确设置 CUDA 环境变量，并确保我们的系统能够使用 CUDA Toolkit。

     在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 CUDA 的记录_cuda-wsl-ubuntu.pin-CSDN博客

    4、安装异常的处理

    Complete!

    [user@AI ~]$ nvcc --version

    -bash: nvcc: command not found

    [user@AI ~]$ echo $PATH /home/user/.local/bin:/home/user/bin:/usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/usr/lib/wsl/lib [user@AI ~]$ echo $LD_LIBRARY_PATH

    [user@AI ~]$

    如果遇到nvcc: command not found的情况，请查看以下方案：

    从输出来看，nvcc 命令未找到，这表明 CUDA 的路径可能未正确添加到我的环境变量中，或者 CUDA 未正确安装。

    同时，$LD_LIBRARY_PATH 也是空的，这意味着 CUDA 的库路径也未配置。

    我们需要重新检查并配置这些环境变量。

    4.1、检查 CUDA 安装路径

    首先，确认 CUDA 是否已经安装在 /usr/local/cuda 目录下。运行以下命令：

    ls /usr/local/cuda

    如果 CUDA 安装成功，你应该会看到类似以下的目录结构：

    bin doc include lib64 libnsight nsight samples share version.txt

    如果没有看到这些目录，说明 CUDA 可能未正确安装，或者安装路径与默认路径不同。

    4.2配置环境变量

    根据你的输出，$PATH 中没有包含 /usr/local/cuda/bin，而 $LD_LIBRARY_PATH 是空的。我们需要将 CUDA 的路径添加到这些环境变量中。

    编辑 ~/.bashrc 文件，添加以下内容：

    export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

    然后运行以下命令使环境变量生效：

    source ~/.bashrc

     

    4.3、验证环境变量配置

    运行以下命令验证环境变量是否已正确配置：

    echo $PATH

    输出中应该包含 /usr/local/cuda/bin。

    运行以下命令：

    echo $LD_LIBRARY_PATH

    输出中应该包含 /usr/local/cuda/lib64。

     

    4.4、验证 CUDA 安装

    重新运行以下命令验证 nvcc 是否可用：

    nvcc --version

    如果配置正确，你应该会看到类似以下的输出：

    nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2025 NVIDIA Corporation
Built on Fri_Apr__5_16:00:00_PDT_2025
Cuda compilation tools, release 12.8, V12.8.0

     

    4.5、如果仍然无法找到 nvcc

    如果 nvcc 仍然无法找到，可能是因为 CUDA 未正确安装，或者安装路径与默认路径不同。你可以尝试以下步骤：

    4.5.1、 检查 CUDA 安装路径

    运行以下命令，查找 CUDA 的安装路径：

    find / -type d -name "cuda" 2>/dev/null

    如果找到了其他路径（例如 /opt/cuda 或其他自定义路径），请将该路径替换为 /usr/local/cuda，并重新配置环境变量。

    4.5.2、 重新安装 CUDA

    如果 CUDA 未正确安装，可以尝试重新安装。运行以下命令：

    sudo dnf clean all
sudo dnf makecache fast
sudo dnf -y install cuda-toolkit-12-8

     

    5、 小结

    通过以上步骤，匀应该能够成功配置 CUDA 的环境变量并验证 nvcc 是否可用。

    如果仍然遇到问题，请记录下更多详细信息，例如：

    • CUDA 的安装路径（如果找到）。

    • 安装过程中是否有任何错误信息。

    然后认真地编写提示词然后发送给专业的AI以解决问题。

    （七）确认 安装 或 不安装 NVIDIA 的开源驱动程序

    如果上一步的命令执行后输出都没问题，则不要安装NVIDIA CUDA官网提供的开源驱动；

    如果上一步的命令执行后输出有问题，则可尝试安装NVIDIA CUDA官网提供的开源驱动进行调试；

    截图中提到的“驱动程序安装程序”是用于安装或更新 NVIDIA GPU 驱动的。 

    不需要安装的情况：

    当执行完上一步的命令后，若输出结果一切正常，这就表明 CUDA Toolkit 已成功安装。与此同时，如果 nvidia-smi 命令也能够顺利运行，那就说明 NVIDIA 驱动程序已经正确安装在系统之中了。

    一般而言，在使用官方提供的安装命令来安装 CUDA Toolkit 时，安装程序会自动处理驱动程序的安装事宜。

    此外，如果 nvidia-smi 命令能够正常显示 GPU 的详细信息，并且在系统的使用过程中，没有遭遇任何与驱动相关的异常状况，比如图形界面显示异常、GPU 性能明显下降等问题，那么从常规角度来讲，确实没有必要再去进行驱动程序的重新安装或更新操作。

    在这种驱动程序已正常安装且运行良好的情况下，切记不要安装 NVIDIA CUDA 官网所提供的开源驱动，以免引发不必要的系统冲突或其他问题。

    需要安装的情况：

    倘若我们希望确保所使用的 NVIDIA 驱动程序是最新版本，以便获得更出色的性能优化以及新功能支持，又或者在系统运行过程中遇到了诸如图形界面显示异常、GPU 性能不佳等与驱动相关的问题时，那么就应当考虑对驱动程序进行安装或更新操作。

    在这些有必要安装或更新驱动的情形下，我们可以尝试安装 NVIDIA CUDA 官网提供的开源驱动，以此来对系统进行调试，从而解决可能存在的驱动相关问题。

    可以通过以下命令来安装对cuda兼容性较好的驱动程序：

    sudo dnf install cuda-drivers

    或者，如果你想要安装特定版本的驱动程序，可以使用 dkms 来安装：

    sudo dnf install cuda-driversdkms

    在安装新的驱动程序之前，建议先查阅相关的文档或指南，以确保兼容性和正确的安装步骤。

    小结：

    总的来说，如果我们的系统已经能够正常识别和使用 GPU，并且没有遇到任何问题，那么通常没有必要再次安装驱动程序。

    如果我们想要更新到最新版本或遇到了问题，那么可以考虑安装或更新驱动程序。

    （八）安装cuDNN（使用官网命令本地安装）

    cuDNN 是 NVIDIA 提供的 GPU 加速库，专门用于深度学习模型的训练和推理。

    试了官方提供的两种方法，其中本地安装（local）比较容易成功配置。

     要安装 cuDNN，可以使用以下步骤：

     1、 安装 cuDNN 库（可选/非必须）

    通常，在Fedora Linux 41上，我们需要安装以下两个包：

    • libcudnn：运行时库，用于运行依赖 cuDNN 的程序。

    • libcudnn-devel：开发库，用于编译依赖 cuDNN 的程序。

    运行以下命令安装这些包：

    sudo dnf install libcudnn9 libcudnn9-devel

    如果提示找不到这些包，可以先运行以下命令查看可用的 cuDNN 包：

    dnf list available | grep libcudnn

    根据输出结果，选择正确的包名进行安装。

    但一般情况下，使用官网的安装命令会省去一些手动处理依赖的步骤，请接着往下看。

    2、用官网的命令进行安装

    进入cuDNN官网：

    建议使用rpm(local)进行安装。

     cuDNN 9.8.0 Downloads | NVIDIA Developer

    3、用rpm(local)安装命令： 

    wget https://developer.download.nvidia.com/compute/cudnn/9.8.0/local_installers/cudnn-local-repo-rhel9-9.8.0-1.0-1.x86_64.rpm
sudo rpm -i cudnn-local-repo-rhel9-9.8.0-1.0-1.x86_64.rpm
sudo dnf clean all
sudo dnf -y install cudnn

    4、手动下载安装：

     如果网络不好，我们可以尝试下载安装包到本地安装:

    点击“Download(2.2GB)”下载到Windows本地，比如我下载“cudnn-local-repo-rhel9-9.8.0-1.0-1.x86_64.rpm”安装包到E:/Downloads目录，则：

    对应 WSL-podman-machine-default的目录就是“/mnt/e/Downloads”

    cd /mnt/e/Downloads #进入储存目录
sudo dnf install cudnn-local-repo-rhel9-9.8.0-1.0-1.x86_64.rpm #安装cuDNN软件包

    5、 清理缓存并更新仓库

    安装完仓库后，需要清理缓存并重新加载仓库信息，以确保 dnf 能够识别新添加的仓库：

    sudo dnf clean all
sudo dnf makecache

    6、安装cuDNN前端（可选/非必须）

    cuDNN前端GitHub项目地址

    安装 cuDNN 前端 — NVIDIA cuDNN 安装

    cuDNN官网的这条命令，一般不用理会。

    sudo dnf -y install cudnn-cuda-12

    这条命令会安装适合 CUDA 12 版本的 cuDNN 包，一般安装过程中遵照顺序安装的话，cuDNN版本会自动匹配。

    （九）验证cuDNN的系统环境变量

    一般不用手动配置cuDNN的系统环境变量，因为cuDNN是安装到CUDA的目录中，在前边配置CUDA系统环境变量时，已经包含这些目录；

    检查环境变量：

    • 确保 CUDA_HOME 和 LD_LIBRARY_PATH 环境变量正确设置，指向 CUDA 和 cuDNN 的安装目录。我们可以检查这些变量：

    echo $CUDA_HOME
echo $LD_LIBRARY_PATH

    确保输出中包含了/usr/local/cuda-12.8和/usr/local/cuda/lib64，这两个目录通常包含了cuDNN的可执行文件和库文件。 

    （十）暂时性地验证cuDNN的安装

    通过简单的命令，暂时性的验证cuDNN的安装结果，后续会用专门的命令统一进行验证，因为python和有些库还没安装，所以统一验证的命令暂时还不能运用。

     验证 cuDNN 安装的步骤：

    • 确认 cuDNN 头文件位置：

    ls /usr/include/cudnn*

     

    • 确认 cuDNN 库文件位置：

    ls /usr/lib64/libcudnn*

     

    • 检查 cudnn.h 文件位置：

    ls /usr/include/cudnn.h

     

    • 检查cuDNN 版本：

    我们可以通过查看头文件来获取 cuDNN 版本信息

    cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

    这条命令的作用是：

    • 读取 /usr/include/cudnn_version.h 文件。

    • 查找包含 CUDNN_MAJOR 的行。

    • 显示该行以及其后的两行，从而获取 cuDNN 的主版本号、次版本号和补丁级别。

    通过这条命令，我们可以快速查看系统中安装的 cuDNN 版本，这对于确认 cuDNN 是否正确安装以及了解其版本信息非常有用。

      如果输出类似以下内容，则表示安装成功：

    #define CUDNN_MAJOR 9
#define CUDNN_MINOR 8
#define CUDNN_PATCHLEVEL 0

     (base) [user@AI ~]$ cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
    #define CUDNN_MAJOR 9
    #define CUDNN_MINOR 8
    #define CUDNN_PATCHLEVEL 0
    --
    #define CUDNN_VERSION (CUDNN_MAJOR * 10000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)

    /* cannot use constexpr here since this is a C-only file */
    (base) [user@AI ~]$

      根据输出显示了 cuDNN 库的版本信息，这些信息是从 cudnn_version.h 头文件中提取的。

      下面是输出内容的详细解释：

      1. 版本定义：

        • #define CUDNN_MAJOR 9：这行定义了 cuDNN 的主版本号（Major version）为 9。

        • #define CUDNN_MINOR 8：这行定义了 cuDNN 的次版本号（Minor version）为 8。

        • #define CUDNN_PATCHLEVEL 0：这行定义了 cuDNN 的补丁级别（Patch level）为 0。

      2. 版本计算：

        • #define CUDNN_VERSION (CUDNN_MAJOR * 10000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)：这行定义了一个宏，用于计算 cuDNN 的完整版本号。计算方法是将主版本号乘以 10000，次版本号乘以 100，然后加上补丁级别。根据这个公式，版本号计算如下：

          CUDNN_VERSION=(9×10000)+(8×100)+0=90000+800+0=90800

        • 这个计算结果是一个数字，表示 cuDNN 的完整版本号，格式为 主版本号.次版本号.补丁级别，即 9.8.0。

      3. 注释：

        • /* cannot use constexpr here since this is a C-only file */：这行注释说明了为什么没有使用 constexpr 关键字。constexpr 是 C++ 中的一个关键字，用于定义编译时常量。由于 cudnn_version.h 是一个 C 语言头文件，它不支持 C++ 的 constexpr 关键字，因此使用了宏定义来代替。

      总的来说，这个输出表明我们系统中安装的 cuDNN 版本是 9.8.0。

      这个版本信息对于确保 cuDNN 与我们的 CUDA 版本和其他深度学习框架兼容非常重要。

      （十一）安装Anaconda或Miniconda

      用来管理python版本和conda虚拟环境。

      为了更好地管理 Python 版本和 Conda 虚拟环境，建议安装 Anaconda 或 Miniconda。

      可以使用以下命令下载并安装最新版的 Anaconda：

      wget -P /tmp https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh # 下载anaconda安装包至 /tmp 目录下，可以替换为最新的Anaconda版本号
bash /tmp/Anaconda3-2024.10-1-Linux-x86_64.sh # 安装anaconda

         

      可以使用以下命令下载并安装最新版本的 Miniconda：

      wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh #下载最新版本的 Miniconda 安装脚本
bash Miniconda3-latest-Linux-x86_64.sh #启动安装

      期间按“ENTER”键翻阅协议和输入两次“yes”或“ENTER”即可完成默认位置和默认配置的安装，安装完后自动集成到SHELL中。

        

      如果没有集成到shell中，可以运行以下命令：

      conda init

      然后关闭终端然后重新打开。

         

      安装方法与WSL-Ubuntu 24.04 中的一致，具体详情可以参考： 

      在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 Anaconda3_wsl2 ubuntu 24.04 anaconda-CSDN博客

      （十二）安装PyTorch

      通过安装PyTorch来检验podman-machine-default（WSL-Linux）对PyTorch GPU的支持。

       11. 安装 PyTorch

      PyTorch 是深度学习中常用的框架，支持 GPU 加速。

        

      建议选择官网的最新命令安装最新版本 PyTorch来保证配置的正确性：

      pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128

      该命令会安装适配当前 CUDA 版本的 PyTorch。

       

       安装过程可参考：

      在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 Torch 的记录_wsl 安装 torch-CSDN博客 

      （十三）通过命令全面验证CUDA、cuDNN、Anaconda、PyTorch 等是否安装成功

      全面验证podman-machine-default（WSL-Linux）的深度学习环境搭建情况

      打开podman-machine-default终端，默认进入(base)虚拟环境，可以通过以下 Python 代码验证 CUDA 、cuDNN和 PyTorch 是否能正常工作：

      import torch  # 导入 PyTorch 库print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本号# 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("设备：", device)  # 打印当前使用的设备
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已启用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 创建两个随机张量（默认在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 将张量移动到指定设备（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 对张量进行逐元素相加
z = x + y# 打印结果
print("张量 z 的值：")
print(z)  # 输出张量 z 的内容

      如果输出为 True 且显示 GPU 名称，说明 CUDA 和 PyTorch 安装成功，并能正确使用 GPU。

        

      详细命令解释请参考：

      在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch并验证安装_cuda 12.8 pytorch版本-CSDN博客

      验证PyTorch深度学习环境Torch和CUDA还有cuDNN是否正确配置的命令_验证pytorch和cuda的命令-CSDN博客

      （十四）安装Git

       安装 Git 用于版本控制，执行以下命令：

      sudo dnf install git

       

      （十五）验证Git的安装

       验证 Git 的安装

      安装完成后，验证 Git 是否正确安装：

      git --version

      如果输出 Git 版本信息，说明安装成功。

      （十六）配置Git

       配置 Git

      配置 Git 用户信息：

      git config --global user.name "Your Name"  # 设置全局 Git 用户名
git config --global user.email "your.email@example.com"  # 设置全局 Git 用户电子邮件地址
git config --global http.postBuffer 524288000  # 设置 HTTP 缓冲区大小为 500MB

      （十七）其他安装和配置（自定义/可选）…

      根据需要，继续安装其他必要的开发工具，如编辑器、调试工具等。

      • TensorFlow

      • OpenCV

      • Jupyter Notebook 等

      总结

      通过这些步骤，我们已成功在 podman-machine-default 中安装并配置了 CUDA、cuDNN、Anaconda、PyTorch 等深度学习所需的环境。现在，我们可以开始在 Windows 系统下的容器化环境中进行 GPU 加速的深度学习开发。

      相关文章：

    1. PyCharm 中 FREECAD 二次开发：从基础建模到深度定制
    2. fpga系列 HDL：verilog latch在fpga中的作用 避免latch的常见做法
    3. 可以在电脑上使用的备忘录记事工具评测
    4. 第2讲：R语言中的色彩美学——科研图表配色指南
    5. 爬虫练习 js 逆向
    6. c++进阶——类与继承
    7. 牛客小白月赛115-B题：签到题
    8. Hot100方法及易错点总结2
    9. 1.2-1.3考研408计算机组成原理第一章 计算机系统概述
    10. Java 安全：如何防止 DDoS 攻击？
    11. 广安理工学院（暂定名）华清远见校企合作签约揭牌,共建实习实训基地
    12. 软考中级-软件设计师 知识点速过1(手写笔记）
    13. Android FFmpeg 交叉编译全指南：NDK编译 + CMake 集成
    14. 告别默认配置！Xray自定义POC开发指南
    15. 《R语言SCI期刊论文绘图专题计划》大纲
    16. 【Web应用服务器_Tomcat】一、Tomcat基础与核心功能详解
    17. Hadoop生态圈框架部署 - Windows上部署Hadoop
    18. 紫光国微：特种集成电路领域将导入AI技术
    19. 【Test】单例模式❗
    20. Java实现HTML转PDF(deepSeekAi-＞html-＞pdf)
    21. 驻美国使馆发言人就美方希就关税问题与中方对话答记者问
    22. 五粮液一季度净利增长5.8%，今年营收与宏观经济指标保持一致
    23. 韩国对华中厚板征收临时反倾销税
    24. 韩国检方起诉前总统文在寅
    25. 停止水资源共享、驱逐武官，印度对巴基斯坦宣布多项反制措施
    26. 2025航天文化艺术论坛在上海举办