Ubuntu 22.04 视觉开发环境搭建（三）：cuDNN 安装完全指南

摘要： 本文详细讲解在 Ubuntu 22.04 上安装 NVIDIA cuDNN（CUDA Deep Neural Network library）的完整流程，包括版本匹配原理、三种安装方式对比、验证方法以及常见问题排坑。cuDNN 是 PyTorch、TensorFlow 等深度学习框架的底层加速引擎。
适用读者：已完成 NVIDIA 驱动和 CUDA Toolkit 安装的开发者 | 难度：中级 | 预计阅读时间：12 分钟

---

一、前言

cuDNN（CUDA Deep Neural Network library）是 NVIDIA 专门为深度神经网络打造的 GPU 加速库。它可以为卷积、池化、归一化、激活函数等标准操作提供高度优化的实现，是 PyTorch、TensorFlow 等几乎所有主流深度学习框架的底层加速引擎。

📝 前置条件： 本文假设你已经完成了以下步骤：

• ✅ NVIDIA 显卡驱动安装（第一篇）
• ✅ CUDA Toolkit 安装与环境配置（第二篇）

如果还没有完成，请先阅读本系列前两篇文章。

本系列文章导航：

篇章	内容	状态
第一篇	NVIDIA 显卡驱动安装	✅ 已完成
第二篇	CUDA Toolkit 安装与环境配置	✅ 已完成
第三篇（本文）	cuDNN 安装完全指南	📖 当前
第四篇	PyTorch GPU 版安装与验证	待更新
第五篇	TensorRT 安装与推理加速	待更新

本文将涵盖以下内容：

• cuDNN 与 CUDA 的关系解析
• 版本匹配确认方法
• 三种安装方式的详细步骤与对比
• 安装验证方法
• 常见问题与排坑指南

---

二、cuDNN 是什么？和 CUDA 什么关系？

2.1 核心定位

简单来说：

• CUDA 是 NVIDIA 的并行计算平台，提供底层的 GPU 编程接口
• cuDNN 则是在 CUDA 之上构建的、专门针对深度神经网络优化的函数库
• 两者必须版本匹配才能正常工作

2.2 为什么需要 cuDNN？

如果没有 cuDNN，深度学习框架需要自己实现卷积、池化等操作的 GPU 内核。有了 cuDNN，框架可以直接调用 NVIDIA 工程师精心优化过的实现，性能通常能提升数倍。

场景	无 cuDNN	有 cuDNN
卷积运算	框架自实现，性能一般	NVIDIA 官方优化，性能数倍提升
LSTM/GRU	基础实现	针对 RNN 的专用优化内核
自动微分	框架自行处理	提供融合操作减少显存占用

---

三、准备工作

3.1 注册 NVIDIA 开发者账号

cuDNN 的下载需要登录 NVIDIA 开发者账号，这是必须完成的一步。

1. 访问 NVIDIA cuDNN 官方下载页面
2. 点击页面右上角的 “Login”，如果还没有账号，选择 “Create an account” 注册
3. 填写邮箱、姓名、国家等基本信息，完成邮箱验证后即可登录

3.2 确认已安装的 CUDA 版本

nvcc --version

输出示例：

nvcc: NVIDIA (R) Cuda compiler driver
Cuda compilation tools, release 12.5, V12.5.40

记下 CUDA 的主版本号（例如 12.5 的主版本是 12.x），后续下载 cuDNN 时必须选择对应版本。

💡 提示： cuDNN 的版本命名规则通常为 cuDNN v8.9.x for CUDA 12.x，你需要确保 cuDNN 支持的 CUDA 版本与你系统已安装的 CUDA 版本匹配。

3.3 确认 GPU 驱动与 CUDA 版本兼容性

nvidia-smi

其中 CUDA Version: 12.2 表示当前驱动最高支持 CUDA 12.2，你安装的 cuDNN 必须与已安装的 CUDA 主版本兼容。

3.4 安装 zlib 依赖（仅 tar 方式需要）

sudo apt update
sudo apt install zlib1g

---

四、下载 cuDNN

登录 NVIDIA 开发者账号后，访问 cuDNN 下载页面，根据你的 CUDA 版本选择对应的 cuDNN 版本。

版本选择建议

场景	建议
通用开发	选择与你 CUDA 版本匹配的最新 cuDNN 版本
深度学习框架开发	优先参考 PyTorch/TensorFlow 官方推荐的 cuDNN 版本
RTX 30/40/50 系列显卡	推荐 CUDA 12.x + cuDNN ≥ 8.9

安装包格式选择

NVIDIA 提供了两种安装包格式：

格式	优点	缺点	推荐度
Debian 包（.deb）	与 apt 集成，便于更新维护	需要 root 权限	⭐⭐⭐⭐⭐ 推荐
Tar 压缩包（.tar.xz）	通用，适用于各种 Linux	需手动复制文件	⭐⭐⭐

---

五、安装 cuDNN（三种方式任选其一）

方法一：Debian 包网络安装 ⭐ 推荐

这是官方推荐的方式，通过添加 NVIDIA 软件仓库，可以直接使用 apt 安装和管理 cuDNN。

步骤 1：添加 NVIDIA CUDA 软件仓库

按照 NVIDIA CUDA Ubuntu 安装指南 添加网络仓库（如果安装 CUDA 时已添加过，可跳过此步）。

步骤 2：安装 cuDNN

sudo apt update
sudo apt install cudnn

系统会自动选择与当前 CUDA 版本兼容的 cuDNN 版本进行安装。

💡 提示： 如果需要安装特定版本，可以先查看可用版本：

apt list -a cudnn*

然后指定版本安装：

sudo apt install cudnn=版本号

⚠️ 注意： 安装前务必确认版本对应关系，这一套开发链（驱动 → CUDA → cuDNN）必须版本匹配，否则后续使用会出现各种问题。

---

方法二：Debian 包本地安装

如果你下载的是 .deb 文件，可以使用以下方式安装：

步骤 1：安装本地仓库包

cd ~/Downloads
# 以 cuDNN 9.x 为例，请替换为你实际下载的文件名
sudo dpkg -i cudnn-local-repo-ubuntu2204-9.x.y_1.0-1_amd64.deb

步骤 2：导入 GPG 密钥并更新

# 复制 GPG 密钥
sudo cp /var/cudnn-local-repo-*/cudnn-*-keyring.gpg /usr/share/keyrings/

# 更新软件源
sudo apt update

步骤 3：安装 cuDNN 库

# 查看可用版本
apt list -a libcudnn*

# 安装（版本号需根据实际情况替换）
sudo apt install libcudnn9

💡 提示： 如果需要开发头文件，还需安装对应的开发包：

sudo apt install libcudnn9-dev

---

方法三：Tar 压缩包手动安装（备选方案）

这种方式适用于任何 Linux 发行版，但需要手动复制文件。

步骤 1：解压 cuDNN 压缩包

cd ~/Downloads
tar -xvf cudnn-linux-x86_64-8.9.x.y_cuda12-archive.tar.xz

步骤 2：复制文件到 CUDA 安装目录

cd cudnn-linux-x86_64-8.9.x.y_cuda12-archive

# 复制头文件
sudo cp include/cudnn*.h /usr/local/cuda/include/

# 复制库文件
sudo cp lib/libcudnn* /usr/local/cuda/lib64/

# 设置正确的文件权限
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

⚠️ 注意： 如果你将 CUDA 安装在了其他路径（例如 /opt/cuda），请将命令中的 /usr/local/cuda 替换为实际的 CUDA 安装路径。

---

三种安装方式对比

对比维度	方法一：APT 网络安装	方法二：deb 本地安装	方法三：Tar 手动安装
操作难度	⭐ 最简单	⭐⭐ 简单	⭐⭐⭐ 中等
版本选择	⚠️ 仓库中的版本	✅ 下载指定版本	✅ 下载指定版本
后续更新	✅ apt upgrade	⚠️ 需手动下载新版	❌ 需手动操作
依赖处理	✅ 自动处理	✅ 大部分自动	❌ 需手动配置
推荐场景	日常开发	特定版本需求	特殊 Linux 发行版

---

六、验证 cuDNN 安装

6.1 检查 cuDNN 版本信息

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

如果正确安装，会显示：

#define CUDNN_MAJOR 8
#define CUDNN_MINOR 9
#define CUDNN_PATCHLEVEL 1
--
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)

这表示安装的 cuDNN 版本为 8.9.1。

💡 提示： 对于较新版本的 cuDNN（9.x 以上），头文件可能为 cudnn.h，可以尝试：

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

或者直接搜索版本号定义：

grep -r "CUDNN_VERSION" /usr/local/cuda/include/cudnn*.h

6.2 运行 cuDNN 示例程序（更严格的验证）

如果你想更全面地验证 cuDNN 是否能正常工作，可以编译并运行官方提供的 MNIST 示例：

# 复制示例程序到用户目录
cp -r /usr/src/cudnn_samples_v8/ $HOME/
cd $HOME/cudnn_samples_v8/mnistCUDNN

# 编译示例程序
sudo make clean && sudo make

# 运行 MNIST 示例
./mnistCUDNN

如果运行成功，你会在输出末尾看到：

Test passed!

这说明 cuDNN 已经能够正常调用 GPU 进行神经网络计算。

💡 提示： 如果 /usr/src/cudnn_samples_v8/ 目录不存在，说明你可能只安装了运行时库，没有安装示例程序。可以通过以下命令补充安装：

sudo apt install libcudnn8-samples   # cuDNN 8.x
# 或
sudo apt install libcudnn9-samples   # cuDNN 9.x

---

七、常见问题与排坑指南

问题	可能原因	解决方案
cat cudnn_version.h 提示 “没有那个文件或目录”	cuDNN 头文件未正确复制；CUDA 安装路径不同	① 检查 CUDA 实际路径：which nvcc 或 ls -l /usr/local/cuda。② 如果 CUDA 在 /opt/cuda，则头文件路径应为 /opt/cuda/include/。③ 重新执行 tar 方式的复制步骤。
运行 ./mnistCUDNN 报错 libcudnn.so.8 找不到	动态链接库路径未正确配置	① 确认库文件存在：ls -l /usr/local/cuda/lib64/libcudnn*。② 添加库路径：export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH。③ 更新链接器缓存：sudo ldconfig。
下载时找不到对应 CUDA 版本的选项	网站页面设计变更；该版本组合已不再提供	① 在下载页面的 “Archived cuDNN Releases” 区域查找旧版本。② 确认 CUDA 主版本号（如 12.x），选择兼容的 cuDNN 版本。
sudo apt install cudnn 提示 “无法定位软件包”	NVIDIA 软件仓库未正确添加	按照 NVIDIA CUDA Ubuntu 安装指南 重新添加仓库，然后 sudo apt update 再试。
编译 cuDNN 示例时提示 “nvcc: command not found”	CUDA 工具链未正确安装或环境变量未配置	① 确认 CUDA 已安装：ls /usr/local/cuda/bin/nvcc。② 添加 CUDA 到 PATH：export PATH=/usr/local/cuda/bin:$PATH。
cuDNN 示例编译成功但运行时报驱动版本不匹配	驱动版本过旧，不支持当前 CUDA 版本	① 运行 nvidia-smi 查看驱动支持的 CUDA 最高版本。② 如果已安装的 CUDA 超过驱动支持范围，需要升级驱动或降级 CUDA。

---

八、总结

本文要点回顾：

1. 安装时机： cuDNN 必须在 NVIDIA 驱动和 CUDA 安装完成之后安装。
2. 版本匹配： cuDNN 版本必须与已安装的 CUDA 主版本兼容（例如 CUDA 12.x 对应 cuDNN for CUDA 12.x）。
3. 推荐方式： 首选通过 NVIDIA 官方仓库的 sudo apt install cudnn 网络安装，最省心、最易维护。
4. 验证成功： cat cudnn_version.h 能输出版本号信息，即表示安装成功。
5. 后续步骤： cuDNN 安装完成后，可以继续安装 PyTorch/TensorFlow 等深度学习框架，它们会自动调用 cuDNN 进行加速。

📚 系列导航：

• 上一篇： Ubuntu 22.04 视觉开发环境搭建（二）：CUDA Toolkit 安装与环境配置
• 下一篇： Ubuntu 22.04 视觉开发环境搭建（四）：PyTorch GPU 版安装完全指南
• [[技术笔记/视觉环境搭建/Ubuntu22.04.2视觉开发环境搭建全流程]] — 原始完整笔记

---

参考资料

• NVIDIA cuDNN 官方下载页面
• cuDNN 安装指南
• cuDNN 支持矩阵
• NVIDIA CUDA Ubuntu 安装指南
• cuDNN Developer Guide