UOS/Deepin 上 PaddlePaddle GPU 环境搭建：独立显卡驱动与 CUDA 配置实战

1. 为什么要在 UOS/Deepin 上折腾 PaddlePaddle 与独立显卡

国产操作系统走到今天，UOS 和 Deepin 算是普通用户能接触到的最成熟的两个分支了。两者同源，底层都是 Debian 系，桌面体验做得相当完整，日常办公、影音娱乐基本没有门槛。但一旦你想在上面跑深度学习框架，尤其是想调用独立显卡做 GPU 加速训练，事情就开始变得不那么顺滑了。PaddlePaddle 作为国内主流的深度学习框架，官方文档主要围绕 Ubuntu、CentOS 这类传统服务器发行版展开，针对 UOS/Deepin 的完整配置流程少之又少。很多人卡在驱动装不上、CUDA 版本对不上、Paddle 装完 import 报错这几个环节，最后只能放弃 GPU 退回 CPU 跑模型，训练速度直接差出几十倍。

这篇内容就是把我自己在 UOS 和 Deepin 上反复折腾 PaddlePaddle 环境、独立显卡驱动的完整过程整理出来。从系统版本确认、显卡驱动选择、CUDA 与 cuDNN 的匹配，到 PaddlePaddle GPU 版的安装验证，每一步都会说清楚为什么这么做、不做会出什么问题。适合两类人看：一类是刚接触国产系统、想在本地跑深度学习的新手；另一类是在 UOS/Deepin 上已经装了 Paddle 但 GPU 始终调不通、想找到问题根源的开发者。整个流程我在不同机器上验证过多次，踩过的坑都会标注出来，你可以直接照着操作，也可以根据自己机器的实际情况做调整。

需要提前说明的是，UOS 和 Deepin 虽然同源，但在软件源策略、内核版本、驱动管理方式上存在差异。UOS 偏向稳定，软件包版本相对保守；Deepin 更新更激进，内核版本往往更高。这个差异会直接影响显卡驱动的安装方式，后面会分别说明。另外，独立显卡这块主要涉及 NVIDIA 和 AMD 两家，PaddlePaddle 对 NVIDIA 的支持最成熟，所以本文以 NVIDIA 独立显卡为主线，AMD 显卡的情况会在对应位置补充说明。

2. 环境准备与系统基础配置

2.1 确认系统版本与内核信息

动手之前先把系统底细摸清楚，这一步很多人会跳过，结果后面装驱动时各种报错找不到原因。打开终端，执行下面几条命令：

cat /etc/os-release uname -r lspci | grep -i vga lspci | grep -i nvidia

第一条看系统发行版和版本号，UOS 会显示类似UnionTech OS 20的信息，Deepin 会显示Deepin 20.x或Deepin 23。第二条看内核版本，这个直接决定了你能装哪个版本的显卡驱动。第三条和第四条确认显卡型号，NVIDIA 显卡会显示具体的型号，比如GA102 [GeForce RTX 3080]这种。

为什么要先确认这些？因为 NVIDIA 驱动对内核版本有要求，太新的内核可能驱动还没适配，太旧的内核又可能缺少某些编译依赖。UOS 20 默认内核一般在 4.19 或 5.10 系列，Deepin 20.9 之后内核到了 5.15 甚至 6.1，Deepin 23 的内核更新。内核版本不同，后面安装驱动时 DKMS 编译模块的流程会有差异。

提示：如果你用的是 UOS 专业版，系统可能默认开启了安全启动，这会导致第三方内核模块无法加载。先在 BIOS 里确认安全启动状态，如果开启了，装驱动前需要先关闭，否则驱动装完也加载不了。

2.2 更新系统与安装基础编译工具

系统信息确认完之后，先把软件源更新到最新状态，并且安装后续编译驱动需要的工具链：

sudo apt update sudo apt upgrade -y sudo apt install -y build-essential dkms linux-headers-$(uname -r) \ gcc make cmake git wget curl unzip

这里有几个点值得展开说。build-essential提供了 gcc、g++、make 这些编译工具，NVIDIA 驱动安装时需要用它来编译内核模块。dkms是动态内核模块支持，它的作用是当你的内核升级时，自动重新编译显卡驱动模块，不然每次内核更新完显卡就挂了。linux-headers-$(uname -r)必须和当前运行的内核版本严格对应，如果这个包装不上，后面驱动编译一定失败。

Deepin 用户注意，Deepin 的软件源里linux-headers的包名可能和内核版本不完全对应，如果$(uname -r)对应的 headers 包找不到，可以先执行apt search linux-headers看看有哪些可用版本，选最接近的安装。UOS 用户如果遇到源里没有对应 headers 的情况，可能需要手动下载对应内核版本的 headers 包安装。

2.3 禁用开源 nouveau 驱动

NVIDIA 显卡在 Linux 下默认会加载一个叫 nouveau 的开源驱动。这个驱动日常显示够用，但它和 NVIDIA 官方驱动冲突，不禁用的话官方驱动装不上或者装完黑屏。禁用方法如下：

sudo bash -c "echo -e 'blacklist nouveau\noptions nouveau modeset=0' > /etc/modprobe.d/blacklist-nouveau.conf" sudo update-initramfs -u

第一行命令往/etc/modprobe.d/目录下写了一个配置文件，blacklist nouveau表示把 nouveau 加入黑名单，options nouveau modeset=0表示禁止它设置显示模式。第二行更新 initramfs，让这个配置在系统启动早期就生效。

执行完之后需要重启系统，重启后验证 nouveau 是否真的被禁用了：

lsmod | grep nouveau

如果这条命令没有任何输出，说明 nouveau 已经成功禁用。如果还有输出，检查一下配置文件路径和内容是否正确，有时候 UOS 的某些版本会把配置写到别的地方导致不生效。

注意：禁用 nouveau 之后，在安装 NVIDIA 官方驱动之前，你的显示分辨率可能会变得很奇怪，这是正常现象，因为系统暂时没有可用的显卡驱动。如果你是通过 SSH 远程操作，这一步不影响；如果是本地操作，建议在文本模式下进行，按 Ctrl+Alt+F2 切换到 tty 终端操作更稳妥。

3. NVIDIA 驱动安装的三种方案与选择逻辑

3.1 方案对比：仓库驱动、官方 runfile、系统自带工具

在 UOS/Deepin 上装 NVIDIA 驱动，常见的有三条路，每条路适合不同场景，选错了会浪费大量时间。

UOS 的软件源里 NVIDIA 驱动版本通常比较保守，比如 470 或 510 系列。如果你的显卡是 RTX 30 系或 40 系，这些旧驱动可能不支持，装完会提示找不到设备。Deepin 相对好一些，源里的驱动版本会新一点，而且 Deepin 自带一个显卡驱动管理器，图形界面里可以直接切换驱动版本，对新手比较友好。

我个人的建议是：RTX 20 系及以下的显卡，优先用仓库安装，省事；RTX 30 系和 40 系，直接走官方 runfile，因为仓库里的驱动大概率太旧。Deepin 用户可以先试试自带的驱动管理器，不行再走 runfile。

3.2 仓库安装方式的具体操作

先看仓库安装，这是最省事的方式：

sudo apt update sudo apt install -y nvidia-driver nvidia-settings nvidia-utils

安装完成后重启，然后用nvidia-smi验证：

nvidia-smi

如果输出了一张表格，显示了显卡型号、驱动版本、CUDA 版本等信息，说明驱动装好了。如果提示command not found或者NVIDIA-SMI has failed，说明驱动没装成功，需要排查。

仓库安装最常见的问题是驱动版本和显卡不匹配。比如你的显卡是 RTX 3060，但源里只有 460 版本的驱动，这个版本对 3060 的支持不完整，装完可能nvidia-smi能显示但 CUDA 用不了。遇到这种情况，只能换官方 runfile 方式。

3.3 官方 runfile 安装的完整流程

官方 runfile 是我最推荐的方式，虽然步骤多一点，但可控性最强。先去 NVIDIA 官网下载对应显卡的驱动，选择 Linux 64-bit 版本。下载下来是一个.run文件，比如NVIDIA-Linux-x86_64-535.104.05.run。

安装前需要先停掉图形界面，因为驱动安装过程中不能有显示服务占用显卡：

sudo systemctl isolate multi-user.target # 或者 sudo telinit 3

这两条命令效果一样，都是切换到多用户文本模式。执行后屏幕会黑一下然后进入命令行界面，用你的用户名和密码登录。

然后给 runfile 加执行权限并运行：

chmod +x NVIDIA-Linux-x86_64-535.104.05.run sudo ./NVIDIA-Linux-x86_64-535.104.05.run

安装程序会问几个问题，几个关键选择如下：

• Install NVIDIA's 32-bit compatibility libraries?选 Yes，除非你确定不需要 32 位支持。
• Would you like to run the nvidia-xconfig utility?选 Yes，它会自动生成 Xorg 配置。
• 如果提示The distribution-provided pre-install script failed，选 Continue，这是 UOS/Deepin 的预安装脚本检测机制，不影响实际安装。

安装完成后重启，再执行nvidia-smi验证。

实操心得：runfile 安装过程中如果报错Unable to find the kernel source tree，说明linux-headers没装好或者路径不对。可以先执行apt install linux-headers-$(uname -r)确认安装，然后重新运行 runfile，加上--kernel-source-path参数指定内核源码路径。

3.4 驱动安装后的验证与常见异常处理

驱动装完后，nvidia-smi是最直接的验证工具。正常输出应该包含驱动版本、CUDA 版本、显卡型号、显存使用情况、GPU 利用率等信息。如果nvidia-smi报错，常见原因和排查方法如下：

还有一个容易被忽略的点：UOS 和 Deepin 的显示管理器不同，UOS 用的是 lightdm，Deepin 用的是 lightdm 或 sddm。驱动装完后如果桌面起不来，可以尝试重新配置显示管理器：

sudo dpkg-reconfigure lightdm

选择正确的显示管理器后重启，通常能解决大部分桌面起不来的问题。

4. CUDA 与 cuDNN 的版本匹配与安装

4.1 根据 PaddlePaddle 版本反推 CUDA 版本

CUDA 和 cuDNN 的版本选择不能随便来，必须和你要装的 PaddlePaddle 版本对应。PaddlePaddle 官方对每个版本都有明确的 CUDA 支持列表，比如 PaddlePaddle 2.5 支持 CUDA 11.2、11.6、11.7、11.8，PaddlePaddle 2.6 开始支持 CUDA 12.0。选错了版本，装完 import paddle 就会报各种找不到库的错误。

先确定你要装的 PaddlePaddle 版本，然后去查对应的 CUDA 版本。我一般建议选 PaddlePaddle 官方推荐的最新稳定版对应的 CUDA 版本，这样兼容性最好。比如当前 PaddlePaddle 2.6 推荐 CUDA 11.8 或 12.0，那就优先选 11.8，因为 11.8 的生态最成熟，各种第三方库支持也最全。

确定 CUDA 版本后，cuDNN 版本也要对应。CUDA 11.8 对应 cuDNN 8.6 或 8.7，CUDA 12.0 对应 cuDNN 8.8 或 8.9。cuDNN 版本不对，Paddle 在调用卷积等操作时会报CUDNN_STATUS_NOT_INITIALIZED错误。

4.2 CUDA Toolkit 的安装与路径配置

CUDA Toolkit 有两种安装方式：runfile 和 deb 包。在 UOS/Deepin 上我推荐用 runfile，因为 deb 包对系统版本有严格检查，UOS/Deepin 的版本号往往不在 CUDA 官方支持列表里，deb 安装会直接拒绝。

去 NVIDIA 官网下载 CUDA runfile，比如cuda_11.8.0_520.61.05_linux.run。安装时注意几个关键点：

sudo sh cuda_11.8.0_520.61.05_linux.run

安装程序启动后，第一步会检测系统兼容性，可能会提示unsupported distribution，不用管，继续。然后在组件选择界面，一定要取消勾选 Driver，因为我们已经单独装过显卡驱动了，CUDA 自带的驱动版本可能和已装驱动冲突。只勾选 CUDA Toolkit 和 Samples 即可。

安装完成后，需要配置环境变量。编辑~/.bashrc：

export PATH=/usr/local/cuda-11.8/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH export CUDA_HOME=/usr/local/cuda-11.8

然后source ~/.bashrc生效。验证 CUDA 是否安装成功：

nvcc -V

正常输出会显示 CUDA 版本信息。如果提示nvcc not found，检查 PATH 配置是否正确，或者 CUDA 是否装到了别的路径。

4.3 cuDNN 的下载与手动部署

cuDNN 需要注册 NVIDIA 开发者账号才能下载，下载下来是一个压缩包，比如cudnn-linux-x86_64-8.7.0.84_cuda11-archive.tar.xz。解压后把文件复制到 CUDA 目录：

tar -xvf cudnn-linux-x86_64-8.7.0.84_cuda11-archive.tar.xz cd cudnn-*-archive sudo cp include/cudnn*.h /usr/local/cuda-11.8/include/ sudo cp lib/libcudnn* /usr/local/cuda-11.8/lib64/ sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h sudo chmod a+r /usr/local/cuda-11.8/lib64/libcudnn*

复制完成后验证 cuDNN 版本：

cat /usr/local/cuda-11.8/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

如果能看到版本号，说明 cuDNN 部署成功。

注意：cuDNN 的文件权限一定要设置正确，chmod a+r是必须的，否则普通用户运行 Paddle 时会因为读不到 cuDNN 库而报错。这个问题很隐蔽，因为 root 用户测试时一切正常，切换到普通用户就失败。

4.4 验证 CUDA 与 cuDNN 是否可用

CUDA 和 cuDNN 都装完后，可以用 CUDA Samples 里的 deviceQuery 来验证：

cd /usr/local/cuda-11.8/samples/1_Utilities/deviceQuery sudo make ./deviceQuery

如果输出Result = PASS，说明 CUDA 环境完全正常。这个验证步骤很重要，它能确认驱动、CUDA Toolkit、显卡三者之间的通信是否正常。如果 deviceQuery 失败，后面装 Paddle 也一定用不了 GPU。

5. PaddlePaddle GPU 版的安装与验证

5.1 创建独立的 Python 虚拟环境

强烈建议不要在系统 Python 里直接装 PaddlePaddle，因为 UOS/Deepin 系统本身有很多 Python 依赖，装乱了可能导致系统工具无法使用。用 conda 或 venv 创建独立环境：

# 用 venv 的方式 python3 -m venv paddle-env source paddle-env/bin/activate # 或者用 conda conda create -n paddle-env python=3.10 conda activate paddle-env

Python 版本建议选 3.8 到 3.10，PaddlePaddle 对这几个版本的支持最稳定。3.11 和 3.12 虽然新，但部分依赖包可能还没适配，容易出问题。

5.2 pip 安装 PaddlePaddle GPU 版

PaddlePaddle 官方提供了 pip 安装命令，根据你的 CUDA 版本和 Python 版本选择对应的命令。以 CUDA 11.8、Python 3.10 为例：

python -m pip install paddlepaddle-gpu==2.6.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

这条命令从 PaddlePaddle 官方源安装 GPU 版本。注意cu118这个后缀，它表示 CUDA 11.8 编译的版本。如果你的 CUDA 是 12.0，就换成cu120。

安装完成后，在 Python 里验证：

import paddle paddle.utils.run_check()

如果输出PaddlePaddle is installed successfully!并且显示了 GPU 信息，说明安装成功。如果只显示 CPU 信息，说明装成了 CPU 版本，需要卸载重装 GPU 版。

5.3 验证 GPU 是否真正被 Paddle 调用

run_check()通过不代表 GPU 一定能用，还需要进一步验证：

import paddle print(paddle.device.get_device()) # 应该输出 gpu:0 # 创建一个张量放到 GPU 上 x = paddle.to_tensor([1.0, 2.0, 3.0], place=paddle.CUDAPlace(0)) print(x.place) # 应该输出 CUDAPlace(0)

如果paddle.device.get_device()返回gpu:0，并且张量能成功放到 GPU 上，说明 Paddle 已经正确调用了 GPU。这时候可以跑一个简单的矩阵乘法测试实际性能：

import paddle import time paddle.set_device('gpu') a = paddle.randn([4096, 4096]) b = paddle.randn([4096, 4096]) # 预热 for _ in range(5): c = paddle.matmul(a, b) paddle.device.cuda.synchronize() start = time.time() for _ in range(50): c = paddle.matmul(a, b) paddle.device.cuda.synchronize() print(f"GPU time: {time.time() - start:.4f}s")

对比 CPU 版本的耗时，GPU 应该有几十倍的加速。如果 GPU 耗时和 CPU 差不多，说明计算实际还是在 CPU 上跑的，需要检查环境配置。

5.4 常见安装报错与解决思路

PaddlePaddle GPU 版安装过程中最常见的报错有几类：

第一类是ImportError: libcudnn.so.8: cannot open shared object file，这是 cuDNN 库路径没配置好。解决方法是在~/.bashrc里加上export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH，然后 source 生效。

第二类是OSError: libcublas.so.11: cannot open shared object file，这是 CUDA 库路径问题，和上面类似，检查 LD_LIBRARY_PATH 是否包含 CUDA 的 lib64 目录。

第三类是RuntimeError: CUDA error: no kernel image is available for execution on the device，这是 CUDA 版本和显卡算力不匹配。比如你的显卡是 RTX 40 系，算力是 8.9，但 CUDA 11.8 默认编译的算力列表里可能没有 8.9，需要重新编译或者换 CUDA 12.0。

第四类是ImportError: DLL load failed或者类似的动态库加载失败，这种通常是 Python 版本和 Paddle 版本不匹配，或者系统缺少某些基础库。可以用ldd命令检查具体是哪个库缺失：

ldd $(python -c "import paddle; print(paddle.__file__)") | grep "not found"

6. 实操避坑与经验总结

6.1 驱动与内核升级的冲突处理

UOS 和 Deepin 都会定期推送内核更新，内核一升级，之前编译的 NVIDIA 驱动模块就失效了，表现为重启后nvidia-smi报错、分辨率异常。这是因为驱动模块是和特定内核版本绑定的。

解决办法就是前面提到的 DKMS。如果你是用仓库方式装的驱动，DKMS 通常会自动配置好，内核升级后自动重新编译。如果是 runfile 方式装的，安装时如果选了 DKMS 支持，也会自动处理。但有时候 DKMS 会失败，这时候需要手动重新编译：

sudo dkms status sudo dkms autoinstall

如果 DKMS 里没有 NVIDIA 模块的记录，说明安装时没启用 DKMS，需要重新运行 runfile 并加上--dkms参数。

实操心得：我一般会在内核升级前先确认 DKMS 状态，升级后第一时间检查nvidia-smi。如果发现驱动挂了，不要慌，切到 tty 重新跑一遍 runfile 安装程序，它会自动检测当前内核并重新编译模块，几分钟就能恢复。

6.2 多显卡环境下的设备选择

有些机器既有独立显卡又有集成显卡，比如 Intel 核显加 NVIDIA 独显。这种情况下，系统默认可能用核显输出显示，独显只用于计算。这对 Paddle 来说是好事，因为独显可以完全用于计算任务，不受显示占用影响。

但有时候 Paddle 会检测不到独显，或者默认用了核显。可以在代码里显式指定：

import paddle paddle.set_device('gpu:0')

如果有多张独显，可以用gpu:0、gpu:1分别指定。查看可用 GPU 数量：

print(paddle.device.cuda.device_count())

6.3 显存不足与内存溢出应对

GPU 跑深度学习最常遇到的就是显存不够。Paddle 默认会占用大部分显存，如果同时跑多个任务或者模型太大，就会报Out of memory错误。几个应对策略：

第一，限制 Paddle 的显存占用比例：

import paddle paddle.set_device('gpu') # 限制显存使用为总显存的 50% paddle.device.cuda.set_per_process_memory_fraction(0.5, 0)

第二，减小 batch size，这是最直接有效的方法。batch size 减半，显存占用大概也能减半。

第三，使用混合精度训练，Paddle 支持paddle.amp自动混合精度，能显著降低显存占用同时保持训练精度。

第四，及时释放不用的张量，Python 的垃圾回收机制在 GPU 显存上不太及时，可以手动调用paddle.device.cuda.empty_cache()清理缓存。

6.4 系统休眠与驱动稳定性

UOS/Deepin 的休眠唤醒功能在装了 NVIDIA 驱动后有时会出问题，表现为唤醒后黑屏或者花屏。这是 NVIDIA 驱动在 Linux 下的老毛病了，和系统的电源管理模块配合不好。

如果遇到这个问题，可以尝试在/etc/modprobe.d/nvidia.conf里加一行：

options nvidia NVreg_PreserveVideoMemoryAllocations=1

然后更新 initramfs 并重启。这个参数让驱动在休眠时保留显存内容，唤醒后能正确恢复。

如果还是不行，可以考虑禁用系统休眠功能，只保留睡眠（挂起）。在 UOS 的设置里可以找到电源管理选项，Deepin 类似。对于开发机来说，休眠用得不多，禁用掉能省不少麻烦。

6.5 常见问题速查表

这套环境我在 UOS 20 和 Deepin 20.9 上都完整跑通过，PaddlePaddle 2.5 和 2.6 都验证过。整个流程最耗时的部分其实是驱动和 CUDA 的版本匹配，一旦版本选对了，后面就是按部就班的操作。建议你在动手前先把版本对应关系列清楚：显卡型号决定驱动版本，Paddle 版本决定 CUDA 版本，CUDA 版本决定 cuDNN 版本。这条链路理清楚了，配置过程会顺畅很多。