SUNFLOWER MATCH LAB 一键部署教程Ubuntu 20.04 系统环境准备如果你正准备在星图GPU平台上部署SUNFLOWER MATCH LAB但发现自己的Ubuntu 20.04服务器环境还没准备好那这篇文章就是为你写的。很多朋友在尝试一键部署时常常卡在第一步——系统环境不对导致镜像跑不起来。今天我们就来彻底搞定这件事从系统更新到驱动安装再到Docker配置一步步把环境搭建好让你后续的一键部署真正变得“一键”顺畅。整个过程其实不复杂但有几个关键步骤必须做对。我会用最直白的话把每个环节的要点和容易踩的坑都讲清楚。准备好了吗我们开始。1. 准备工作检查你的起点在动手之前我们先确认一下你的服务器状态。这就像出发旅行前要看看天气和装备一样能避免很多不必要的麻烦。首先打开你的终端用下面的命令确认一下系统版本lsb_release -a你应该能看到类似这样的输出确认是Ubuntu 20.04Distributor ID: Ubuntu Description: Ubuntu 20.04.6 LTS Release: 20.04 Codename: focal接下来看看你的服务器有没有GPU以及它现在是什么状态。运行lspci | grep -i nvidia如果能看到NVIDIA显卡的信息比如NVIDIA Corporation GA102 [GeForce RTX 3090]那就说明硬件是OK的。如果什么都没显示那可能你的服务器没有GPU或者需要检查硬件连接。最后我们还需要一个能执行管理员权限的账户。确保你能使用sudo命令。可以试试运行sudo echo “hello”如果没提示输入密码或者输入密码后正常执行就说明权限没问题。2. 第一步更新系统与安装基础工具一个干净、最新的系统是稳定运行的基础。我们先来更新一下软件包列表并升级所有已安装的包。打开终端依次执行以下命令sudo apt update sudo apt upgrade -y第一行命令是刷新本地的软件包仓库信息确保我们知道有哪些最新版本。第二行命令则是实际进行升级-y参数表示自动同意所有升级提示这样就不用一直守在电脑前了。这个过程可能会花几分钟取决于网络速度和需要升级的包数量。升级完成后我强烈建议重启一下系统让所有内核更新生效sudo reboot服务器重启后重新登录。接下来安装一些后续步骤可能会用到的工具比如用于管理软件源的software-properties-common和用于下载文件的wget、curlsudo apt install -y software-properties-common wget curl这些工具本身不大安装很快。到这里你的系统就已经是一个打好补丁、装备了基础工具的状态了。3. 第二步安装NVIDIA显卡驱动这是最关键也最容易出问题的一步。显卡驱动是GPU工作的基础版本不对或者安装失败后面的CUDA、Docker都无从谈起。方法一通过系统仓库安装推荐给新手Ubuntu 20.04的官方仓库里包含了经过测试的NVIDIA驱动版本虽然可能不是最新的但稳定性最好。我们用这个命令来查看推荐安装的版本ubuntu-drivers devices这个命令会列出所有可用的驱动版本并标出推荐安装的那一个。输出可能像这样 /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 modalias : pci:v000010DEd00002206sv00001458sd00004003bc03sc00i00 vendor : NVIDIA Corporation model : GA106 [GeForce RTX 3060] driver : nvidia-driver-470-server - distro non-free driver : nvidia-driver-470 - distro non-free driver : nvidia-driver-525-server - distro non-free driver : nvidia-driver-525 - distro non-free recommended driver : nvidia-driver-535 - distro non-free driver : nvidia-driver-535-server - distro non-free driver : xserver-xorg-video-nouveau - distro free builtin这里nvidia-driver-525 - distro non-free recommended就是系统推荐我们安装的。那么我们就安装这个推荐版本sudo apt install -y nvidia-driver-525安装过程会有点长期间可能会弹出一些关于安全启动的提示框按回车确认即可。安装完成后必须重启系统sudo reboot重启后验证驱动是否安装成功nvidia-smi如果看到类似下面的表格显示了GPU型号、驱动版本、CUDA版本等信息那就恭喜你驱动安装成功了----------------------------------------------------------------------------- | NVIDIA-SMI 525.147.05 Driver Version: 525.147.05 CUDA Version: 12.0 | |--------------------------------------------------------------------------- | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | || | 0 NVIDIA GeForce ... On | 00000000:01:00.0 On | N/A | | 30% 45C P2 70W / 250W | 1500MiB / 12288MiB | 0% Default | ---------------------------------------------------------------------------方法二从NVIDIA官网下载安装适合需要特定版本如果你因为某些原因必须安装特定版本的驱动可以去NVIDIA官网下载。但请注意这种方式可能需要先禁用系统自带的nouveau驱动步骤更复杂也更容易出错。对于大多数部署SUNFLOWER MATCH LAB的场景方法一提供的驱动版本已经完全够用。4. 第三步安装CUDA ToolkitCUDA是NVIDIA推出的并行计算平台很多AI模型包括SUNFLOWER MATCH LAB都依赖它来在GPU上高效运行。我们同样使用APT仓库来安装这样管理起来最方便。首先添加NVIDIA的CUDA仓库密钥和仓库地址wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update现在安装CUDA Toolkit。对于Ubuntu 20.04一个常见且兼容性好的选择是CUDA 11.8sudo apt install -y cuda-toolkit-11-8这个安装包比较大下载和安装需要一些时间请耐心等待。安装完成后我们需要让系统知道CUDA的命令和库文件在哪里。编辑你的~/.bashrc文件nano ~/.bashrc在文件的最后添加以下几行export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存并退出编辑器在nano中是按CtrlX然后按Y确认再按回车。让配置立即生效source ~/.bashrc现在验证CUDA是否安装成功nvcc --version如果看到输出了CUDA编译器的版本信息例如release 11.8就说明CUDA安装和配置都正确了。5. 第四步安装cuDNNcuDNN是NVIDIA深度神经网络库专门针对深度学习的计算做了优化。很多框架如TensorFlow, PyTorch在GPU上跑模型时都会用到它。安装cuDNN需要先在NVIDIA开发者网站注册并登录然后下载对应CUDA 11.8版本的deb安装包。假设你已经下载了名为cudnn-local-repo-ubuntu2004-8.x.x.x_1.0-1_amd64.deb的文件到本地。在终端中进入文件所在目录执行以下命令sudo dpkg -i cudnn-local-repo-ubuntu2004-8.x.x.x_1.0-1_amd64.deb sudo cp /var/cudnn-local-repo-ubuntu2004-8.x.x.x/cudnn-local-*-keyring.gpg /usr/share/keyrings/ sudo apt update sudo apt install -y libcudnn8 libcudnn8-dev安装完成后可以通过查看头文件来验证cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2如果能看到cuDNN的版本号信息就表示安装成功了。6. 第五步安装与配置Docker很多星图平台的AI镜像都采用容器化部署这就需要Docker。安装Docker本身很简单关键是配置尤其是让Docker能使用GPU。首先卸载旧版本如果有的话然后安装依赖包并添加Docker的官方GPG密钥和仓库sudo apt remove docker docker-engine docker.io containerd runc sudo apt update sudo apt install -y ca-certificates curl gnupg sudo install -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg sudo chmod ar /etc/apt/keyrings/docker.gpg echo \ deb [arch$(dpkg --print-architecture) signed-by/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \ $(. /etc/os-release echo $VERSION_CODENAME) stable | \ sudo tee /etc/apt/sources.list.d/docker.list /dev/null sudo apt update现在安装Docker引擎和命令行工具sudo apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin安装完成后将当前用户添加到docker组这样以后运行docker命令就不需要每次都加sudo了sudo usermod -aG docker $USER重要执行完上面这行命令后你需要完全退出当前终端会话并重新登录这个组权限变更才会生效。重新登录后运行一个测试命令docker run hello-world如果能看到“Hello from Docker!”的欢迎信息说明Docker安装和基本运行都正常了。最关键的一步安装NVIDIA Container Toolkit为了让Docker容器能调用宿主机的GPU我们必须安装这个工具。添加仓库并安装distribution$(. /etc/os-release;echo $ID$VERSION_ID) \ curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \ curl -fsSL https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \ sed s#deb https://#deb [signed-by/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt update sudo apt install -y nvidia-container-toolkit安装后需要配置Docker的运行时sudo nvidia-ctk runtime configure --runtimedocker sudo systemctl restart docker现在进行终极测试运行一个带有GPU支持的容器docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu20.04 nvidia-smi如果这个命令成功运行并且输出的nvidia-smi信息和你直接在宿主机上运行的一致那么恭喜你Docker的GPU支持也配置成功了这意味着你已经为运行任何需要GPU的Docker镜像包括SUNFLOWER MATCH LAB铺平了道路。7. 环境验证与常见问题所有步骤完成后我们最好做一个整体的检查。你可以创建一个简单的检查脚本或者依次运行以下几个核心验证命令驱动验证nvidia-smi(应显示GPU状态和驱动版本)CUDA验证nvcc --version(应显示CUDA 11.8)Docker验证docker --version(应显示Docker版本)Docker GPU验证docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu20.04 nvidia-smi(应成功调用GPU)在这个过程中你可能会遇到一两个小问题。这里列举两个最常见的问题nvidia-smi命令未找到。解决大概率是驱动没装上或者没装对。回头检查驱动安装步骤确保安装了推荐版本并且系统已经重启。问题Docker命令提示权限不足。解决确保你已经执行了sudo usermod -aG docker $USER并且已经重新登录了终端。也可以临时用sudo docker来执行命令。8. 总结好了到这里你的Ubuntu 20.04服务器就已经是一个为AI模型部署准备好的“标准环境”了。我们一步步完成了从系统更新、驱动安装、CUDA和cuDNN配置到Docker及其GPU支持的完整设置。整个过程看似步骤不少但每一步都有其必要特别是驱动和Docker的GPU配置是后面一键部署能否成功的关键。现在你的服务器已经具备了运行SUNFLOWER MATCH LAB这类需要GPU加速的AI镜像的所有基础条件。接下来你就可以放心地去星图镜像广场找到对应的镜像尝试一键部署了。记住一个干净、规范的基础环境能帮你省去后续很多莫名其妙的调试时间。如果在部署具体镜像时还遇到问题那多半就是镜像本身或者应用配置的问题了排查范围会小很多。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。