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或22.04，因其社区支持完善、软件包管理成熟，且与主流深度学习框架兼容性良好。安装时建议选择带有桌面环境的版本，便于后续图形化操作。
安装完成后，更新系统并安装基础依赖。运行命令 sudo apt update && sudo apt upgrade，确保系统处于最新状态。接着安装编译工具链和常用库：sudo apt install -y build-essential git wget curl python3-pip python3-dev。
2026AI设计稿，仅供参考
接下来配置Python环境。推荐使用虚拟环境隔离项目依赖。通过 python3 -m venv dl_env 创建虚拟环境，激活后执行 source dl_env/bin/activate。随后使用 pip 安装核心库：pip install numpy scipy matplotlib scikit-learn jupyter。
显卡驱动是深度学习性能的关键。若使用NVIDIA显卡，需安装对应驱动。可通过 Ubuntu 的“附加驱动”工具自动检测并安装，或手动下载官方驱动。安装后重启系统，验证是否生效：nvidia-smi 应显示显卡信息及驱动版本。
安装CUDA Toolkit是使用GPU加速的前提。前往NVIDIA官网下载与显卡兼容的CUDA版本（如11.8），通过deb包安装。安装后设置环境变量：在 ~/.bashrc 中添加 export PATH=/usr/local/cuda-11.8/bin:$PATH，export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH，然后执行 source ~/.bashrc。
最后安装深度学习框架。以PyTorch为例，访问PyTorch官网获取对应CUDA版本的安装命令。例如：pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu118。TensorFlow用户可使用 pip install tensorflow-gpu，但需注意版本与CUDA的匹配。
完成以上步骤后，创建一个测试脚本验证环境。编写简单代码检查GPU是否可用，若能输出设备信息并正常运行模型训练，则说明环境搭建成功。整个过程约需30分钟，建议逐步执行并记录问题，以便排查。