由 dawei 选择稳定且长期支持的Linux发行版，推荐Ubuntu 22.04 LTS或CentOS Stream 8，确保内核版本≥5.4，以兼容主流GPU驱动与CUDA工具链。
更新系统并安装基础依赖：执行sudo apt update && sudo apt upgrade -y（Ubuntu）或sudo dnf update -y（CentOS），随后安装build-essential、cmake、git、wget、curl、python3-pip等开发工具包。
AI渲染效果图，仅供参考
安装NVIDIA驱动：先禁用nouveau驱动，在/etc/modprobe.d/blacklist.conf中添加blacklist nouveau和options nouveau modeset=0；重启后运行sudo apt install nvidia-driver-535（Ubuntu）或通过官网.run文件手动安装，验证用nvidia-smi命令。
配置CUDA与cuDNN：从NVIDIA官网下载匹配驱动版本的CUDA Toolkit（如12.2）及对应cuDNN（v8.9.x），按官方文档依次安装.run文件或deb包；将/usr/local/cuda/bin加入PATH，/usr/local/cuda/lib64加入LD_LIBRARY_PATH，并写入~/.bashrc生效。
创建独立Python环境：使用conda（推荐Miniconda）创建专属环境，如conda create -n dl-env python=3.10，激活后升级pip，再安装PyTorch、TensorFlow等框架——务必选用GPU版本，例如pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu121。
验证GPU可用性：在Python中运行import torch; print(torch.cuda.is_available()) 和 print(torch.cuda.device_count())，确认输出True及设备数量；同时测试TensorFlow：import tensorflow as tf; print(tf.config.list_physical_devices(‘GPU’))。
安装常用辅助工具：Jupyter Lab（pip install jupyterlab）、VS Code（.deb包或snap安装），并配置Remote-SSH或WSL2远程开发；启用GPU加速的docker：安装Docker CE，添加用户到docker组，再安装nvidia-container-toolkit以支持容器内GPU调用。
安全与维护建议：定期检查驱动与CUDA版本兼容性公告；避免混用不同源安装的CUDA组件；保留基础镜像快照或使用Dockerfile固化环境，便于迁移与复现；禁用不必要的系统服务，减少资源争用。