先说结论:Ubuntu 22.04 (Jammy Jellyfish) 相比 20.04 (Focal Fossa),在 CUDA 和 PyTorch 的支持上,核心变化不是“CUDA 本身有了什么黑科技”,而是底层依赖库的升级、Python 版本的迭代以及 NVIDIA 驱动模型的变化。这些变化带来了更好的兼容性上限,但也增加了环境配置的复杂度。
以下是从实际部署和开发角度梳理的几个关键改进点和注意事项:
1. Python 版本的自然迭代
这是最直接影响 PyTorch 安装体验的变化。
- Ubuntu 20.04:默认 Python 3.8。虽然可以通过
deadsnakesPPA 轻松升级到 3.9/3.10,但社区主流仍围绕 3.8。 - Ubuntu 22.04:默认 Python 3.10。NVIDIA 官方 CUDA Toolkit 和 PyTorch 预编译包对 3.10 的支持更加原生和完善。
- 优势:如果你使用较新的 PyTorch 版本(如 2.x+),PyTorch 官方 Wheel 包通常直接支持 Python 3.8-3.10。在 22.04 上无需额外折腾 Python 版本即可直接通过
pip install torch获得最佳兼容体验。 - 注意:如果你依赖某些老旧的 C++ 扩展库(如旧版 TensorFlow 或特定科学计算包),可能需要回退到 Python 3.8/3.9,这在 22.04 上同样容易实现,但需注意 ABI 兼容性。
- 优势:如果你使用较新的 PyTorch 版本(如 2.x+),PyTorch 官方 Wheel 包通常直接支持 Python 3.8-3.10。在 22.04 上无需额外折腾 Python 版本即可直接通过
2. CUDA Toolkit 与 Driver 的解耦更彻底
NVIDIA 自 CUDA 11.0 起推行“独立驱动”模型,22.04 时期这一模式已非常成熟。
- Ubuntu 20.04:早期用户常遇到
apt install nvidia-cuda-toolkit自动拉取最新驱动导致冲突的情况。需要手动指定驱动版本(如nvidia-driver-470)。 - Ubuntu 22.04:
- 驱动管理更规范:系统自带的
ubuntu-drivers autoinstall能更智能地匹配硬件。推荐做法是:先安装专有驱动(Proprietary Drivers),再安装 CUDA Toolkit。 - CUDA 版本支持范围扩大:Ubuntu 22.04 的仓库中,NVIDIA 提供的
cuda元数据包更新更快。例如,CUDA 11.7、11.8 以及最新的 CUDA 12.x(需配合新版驱动)在 22.04 上的安装流程比 20.04 更顺畅,尤其是对于新发布的 GPU(如 Ada Lovelace 架构的 RTX 40 系列,需 CUDA 11.8+ 或 12.x)。 - 关键点:22.04 对 CUDA 12 的支持更好。如果你的项目需要 PyTorch 2.0+(默认基于 CUDA 12 编译),在 22.04 上配置环境会少很多坑。
- 驱动管理更规范:系统自带的
3. PyTorch 预编译包的兼容性
PyTorch 官方不再为每个 OS 单独编译二进制包,而是提供通用的 Linux Wheel 文件。因此,OS 的影响主要体现在:
- glibc 版本:Ubuntu 22.04 使用 glibc 2.35,而 20.04 是 2.31。更高的 glibc 意味着你可以运行由更高版本 GCC 编译的二进制文件。这对于使用最新 PyTorch 版本(尤其是包含 Triton 内核优化时)至关重要。旧版 PyTorch 可能在 22.04 上因 glibc 符号缺失而报错,反之则不会。
- CUDNN 集成:22.04 下,NVIDIA 的
libcudnn8等库更容易通过apt安装并与 CUDA 11.8/12.x 正确链接。在 20.04 上,有时需要手动下载.deb包并解决依赖链问题。
4. 实际部署建议(避坑指南)
✅ 推荐做法(Ubuntu 22.04)
# 1. 确保系统更新
sudo apt update && sudo apt upgrade
# 2. 安装最新专有驱动(不要装 cuda-toolkit 先!)
sudo ubuntu-drivers autoinstall
# 或者手动指定:sudo apt install nvidia-driver-535 # 根据显卡型号选择
# 3. 重启后验证驱动
nvidia-smi
# 4. 安装 CUDA Toolkit(以 12.1 为例,推荐使用 runfile 而非 apt,避免依赖冲突)
wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda_12.1.0_530.30.02_linux.run
sudo sh cuda_12.1.0_530.30.02_linux.run
# 注意:在安装界面,取消勾选 "Driver",只勾选 CUDA Toolkit 和 Samples
# 5. 设置环境变量 (~/.bashrc 或 ~/.zshrc)
export PATH=/usr/local/cuda-12.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
# 6. 创建虚拟环境并安装 PyTorch
conda create -n pytorch_env python=3.10
conda activate pytorch_env
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
⚠️ 常见陷阱
- 混用 apt 和 runfile:尽量避免用
apt install cuda后再用runfile安装,极易导致库版本冲突。优先使用 NVIDIA 官网推荐的 runfile 方式,或使用 Docker 容器隔离。 - WSL2 用户:如果你在 Windows 上用 WSL2 跑 Ubuntu 22.04,务必确保 Windows 主机安装了最新的 NVIDIA 驱动(≥ 531.41),否则 WSL2 内的 CUDA 无法调用 GPU。
- PyTorch 2.0+ 的 Triton 内核:新版 PyTorch 大量使用 Triton 进行算子优化,其对 CUDA 版本有严格要求。22.04 配合 CUDA 12.x 是最佳实践组合。
总结
Ubuntu 22.04 并非“ magically ”让 CUDA 更快,但它提供了:
- 更新的 Python 默认版本(3.10),与最新 PyTorch 生态对齐;
- 更新的 glibc 和内核头文件,支持更现代的编译器和高性能算子;
- 更成熟的 NVIDIA 驱动管理体系,便于安装 CUDA 12.x 及后续版本。
如果你是新项目,强烈建议使用 Ubuntu 22.04 + CUDA 12.x + PyTorch 2.x 的组合。如果是维护老项目(如依赖 CUDA 10.2 或 PyTorch 1.7),则留在 20.04 或 Docker 容器中更安全,因为强行在新 OS 上跑旧环境反而会增加调试成本。
云技术博客