从零部署万象熔炉·丹青幻境Ubuntu 20.04系统环境搭建详解想试试那个能生成各种惊艳图片的“万象熔炉·丹青幻境”吗很多朋友第一步就卡在了系统环境搭建上。看着一堆英文术语和命令行感觉头都大了。别担心这篇文章就是为你准备的。我花了不少时间在Ubuntu 20.04上反复折腾了好几遍把从系统更新到Docker部署的每一步都摸清楚了。今天我就用最直白的话手把手带你走一遍。你不用懂那些复杂的原理跟着我的步骤来就行。我们的目标很简单把一个干净的系统变成能跑起那个强大AI绘画模型的环境。准备好了吗我们这就开始。1. 准备工作理清思路再动手在开始敲命令之前我们先花一分钟搞清楚我们要做什么。这就像盖房子前得看看图纸心里有数后面才不容易乱。“万象熔炉·丹青幻境”这类AI图像生成模型对计算能力要求很高尤其是显卡。所以我们的核心任务就是为它准备好一个强大的“计算舞台”。这个舞台需要几个关键部分一个稳定的地基也就是我们刚安装好的Ubuntu 20.04系统需要先把它更新到最新状态。强大的“发动机”这就是你的NVIDIA显卡。需要安装专门的驱动程序让系统能正确识别和使用它。高效的“工具库”也就是CUDA和cuDNN。你可以把它们理解成一套能让显卡高效执行AI计算任务的特殊工具包。没有它们显卡有劲也使不出来。便捷的“集装箱”这就是Docker。我们把模型、代码、所有依赖都打包进一个“集装箱”镜像里。这样无论你在哪台电脑上只要拉下这个集装箱里面的环境就是一模一样的彻底解决了“在我电脑上能跑在你那就报错”的难题。整个过程听起来步骤不少但别怕我们一步一步来每一步我都会解释清楚这个命令是干嘛的以及可能会遇到什么问题。咱们先从最基础的系统更新开始。2. 第一步打好系统基础现在我们打开Ubuntu 20.04的终端。你可以按Ctrl Alt T快捷键快速打开它。接下来的操作我们大部分时间都会在这里进行。2.1 更新软件源列表首先我们要告诉系统“去检查一下各个软件仓库的最新信息。” 这就像去超市前先看看最新的商品目录。sudo apt update输入这行命令回车然后输入你的用户密码输入时密码不会显示这是正常的。sudo表示以管理员权限运行apt是Ubuntu的包管理工具update就是更新软件源信息。2.2 升级已安装的软件包获取了最新信息后我们就可以把系统里现有的软件都升级到最新版本修复一些已知的问题。sudo apt upgrade -y这里的upgrade就是升级-y参数表示对升级过程中所有的确认提示都自动回答“是”这样我们就不用一直守着终端按回车了。这个过程可能会花几分钟取决于你的网络速度和需要升级的软件数量。2.3 安装一些基础工具我们后续可能会用到一些方便的小工具比如用curl来下载文件用wget也是类似功能还有vim或nano这样的文本编辑器来修改配置文件。我们先一并装上。sudo apt install -y curl wget vim git build-essentialcurl,wget: 网络下载工具。vim: 一个功能强大的文本编辑器如果你不熟悉后面可以用nano它更简单。git: 版本管理工具以后从网上下载代码会用到。build-essential: 包含编译软件所需的基础工具链。做完这些我们的系统地基就算夯实了。接下来要去请出最重要的“发动机”——显卡驱动。3. 第二步安装NVIDIA显卡驱动这是非常关键的一步。驱动没装好后面的所有步骤都白搭。Ubuntu系统自带的“开源驱动”虽然能让显卡亮屏但无法发挥其全部性能尤其不适合AI计算。3.1 查看你的显卡型号在安装前最好先确认一下你的NVIDIA显卡型号。在终端输入lspci | grep -i nvidia你会看到一行信息里面包含了你的显卡型号比如GeForce RTX 3080或Tesla V100等。记下它心里有个数。3.2 自动安装推荐驱动推荐给新手对于大多数用户最简单安全的方法是使用Ubuntu自带的“附加驱动”工具它会自动检测并推荐最适合你显卡的稳定版驱动。首先打开“软件和更新”应用。你可以在程序菜单里搜索它。点击“附加驱动”标签页。系统会扫描一会儿然后列出可用的NVIDIA驱动版本。通常会有一个标记为“使用NVIDIA驱动专有驱动 (推荐)”的选项后面跟着一个版本号例如nvidia-driver-535。选中这个推荐版本然后点击“应用更改”。系统会开始下载并安装驱动完成后会提示你重启电脑。重启是必须的重启后新的显卡驱动才会生效。3.3 验证驱动安装重启后再次打开终端输入以下命令来验证驱动是否安装成功nvidia-smi如果安装成功你会看到一个表格显示了你的显卡型号、驱动版本、CUDA版本这里显示的是驱动支持的最高CUDA版本并非已安装的以及显卡的实时状态温度、功耗、显存使用等。看到这个界面恭喜你显卡驱动这关就过了如果没看到或者报错请回到上一步确认是否选择了正确的驱动并完成了重启。4. 第三步配置CUDA与cuDNN现在“发动机”能转了我们得给它配上专用的“高效工具”。CUDA是NVIDIA推出的并行计算平台cuDNN是基于CUDA的深度神经网络加速库。简单说AI模型的计算就是靠它们俩在显卡上飞起来的。为了最大程度兼容星图GPU平台等常见环境我们选择安装CUDA 11.8这个长期支持且兼容性广的版本。4.1 安装CUDA 11.8我们不从NVIDIA官网下载庞大的runfile而是使用更便捷的APT仓库方式安装。添加NVIDIA CUDA仓库的密钥和源wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update安装CUDA 11.8的核心工具包sudo apt install -y cuda-toolkit-11-8这个命令会安装CUDA 11.8的编译器、库文件等核心组件。配置环境变量让系统知道CUDA装在哪里。 打开你的用户配置文件比如~/.bashrcvim ~/.bashrc如果你不熟悉vim可以用nano ~/.bashrc。 在文件末尾添加以下几行export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存并退出编辑器在vim中是按Esc后输入:wq回车在nano中是按CtrlX然后按Y确认保存。让配置立即生效source ~/.bashrc验证CUDA安装nvcc --version如果安装成功你会看到输出信息中包含release 11.8的字样。4.2 安装cuDNNcuDNN需要从NVIDIA开发者网站下载但需要注册账号。这里我提供一个通过APT仓库安装的方法同样需要你先有NVIDIA开发者账号并下载了本地deb包但为了教程连贯我描述从本地文件安装的流程。假设你已经下载了对应CUDA 11.8的cuDNN deb包例如libcudnn8_8.x.x-1cuda11.8_amd64.deb。安装运行时库和开发者库sudo dpkg -i libcudnn8_8.x.x-1cuda11.8_amd64.deb sudo dpkg -i libcudnn8-dev_8.x.x-1cuda11.8_amd64.deb请将8.x.x替换为你实际下载的版本号验证cuDNN是否安装成功。一个简单的方法是检查头文件cat /usr/include/x86_64-linux-gnu/cudnn_version_v8.h | grep CUDNN_MAJOR -A 2或者查找库文件ldconfig -p | grep cudnn能看到相关的库文件信息就说明安装好了。至此最复杂的底层环境部分已经搭建完毕。我们已经拥有了一个支持高性能AI计算的系统。5. 第四步部署Docker环境最后一步我们来搭建“集装箱”运输系统——Docker。用Docker来部署AI应用能避免环境污染部署和迁移都极其方便。5.1 安装Docker我们使用Docker官方提供的便捷安装脚本。下载并运行安装脚本curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh这个脚本会自动检测你的系统并安装合适版本的Docker。将当前用户加入docker组这样以后运行Docker命令就不需要每次都加sudo了sudo usermod -aG docker $USER重要执行这个命令后你需要完全退出当前终端并重新登录或者重启电脑这个分组变更才会生效。验证Docker安装并检查版本docker --version重新登录后运行docker run hello-world。如果能看到一个欢迎信息说明Docker已经安装并运行正常。5.2 安装NVIDIA Container Toolkit为了让Docker容器能够使用我们刚才安装好的显卡和CUDA还需要安装一个“桥接”工具。配置仓库和安装工具包distribution$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt update sudo apt install -y nvidia-container-toolkit重启Docker服务以加载新的配置sudo systemctl restart docker验证GPU在Docker中是否可用docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu20.04 nvidia-smi这个命令会启动一个带有CUDA 11.8基础镜像的临时容器并在容器内运行nvidia-smi。如果一切顺利你会在终端里看到和宿主机上运行nvidia-smi时类似的显卡信息表格。太棒了看到这个就意味着你的Ubuntu 20.04系统环境已经为“万象熔炉·丹青幻境”准备就绪了。你现在拥有的是一个支持GPU加速、CUDA计算和容器化部署的完整AI开发环境。6. 总结与下一步走完这一趟感觉怎么样可能敲了不少命令但每一步其实都有它的道理。从更新系统开始到装上显卡驱动再到配置好CUDA和Docker我们就像搭积木一样一层一层地构建起了运行强大AI模型所需的基础平台。现在你的电脑已经“脱胎换骨”了。接下来无论是去星图镜像广场拉取“万象熔炉·丹青幻境”的预置镜像一键部署还是自己从源码开始构建和调优底层的路都已经铺平了。你不用担心环境冲突也不用纠结依赖版本因为最重要的部分我们已经搞定了。如果你在跟着做的过程中遇到了什么问题别着急回头检查一下对应的步骤尤其是验证命令的输出。网络环境、软件源偶尔的延迟都可能导致小问题多试一次或者搜索一下具体的错误信息通常都能解决。环境搭建是动手实践的第一步也是最锻炼人的一步过了这一关后面就海阔天空了。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
从零部署万象熔炉·丹青幻境：Ubuntu 20.04系统环境搭建详解
从零部署万象熔炉·丹青幻境Ubuntu 20.04系统环境搭建详解想试试那个能生成各种惊艳图片的“万象熔炉·丹青幻境”吗很多朋友第一步就卡在了系统环境搭建上。看着一堆英文术语和命令行感觉头都大了。别担心这篇文章就是为你准备的。我花了不少时间在Ubuntu 20.04上反复折腾了好几遍把从系统更新到Docker部署的每一步都摸清楚了。今天我就用最直白的话手把手带你走一遍。你不用懂那些复杂的原理跟着我的步骤来就行。我们的目标很简单把一个干净的系统变成能跑起那个强大AI绘画模型的环境。准备好了吗我们这就开始。1. 准备工作理清思路再动手在开始敲命令之前我们先花一分钟搞清楚我们要做什么。这就像盖房子前得看看图纸心里有数后面才不容易乱。“万象熔炉·丹青幻境”这类AI图像生成模型对计算能力要求很高尤其是显卡。所以我们的核心任务就是为它准备好一个强大的“计算舞台”。这个舞台需要几个关键部分一个稳定的地基也就是我们刚安装好的Ubuntu 20.04系统需要先把它更新到最新状态。强大的“发动机”这就是你的NVIDIA显卡。需要安装专门的驱动程序让系统能正确识别和使用它。高效的“工具库”也就是CUDA和cuDNN。你可以把它们理解成一套能让显卡高效执行AI计算任务的特殊工具包。没有它们显卡有劲也使不出来。便捷的“集装箱”这就是Docker。我们把模型、代码、所有依赖都打包进一个“集装箱”镜像里。这样无论你在哪台电脑上只要拉下这个集装箱里面的环境就是一模一样的彻底解决了“在我电脑上能跑在你那就报错”的难题。整个过程听起来步骤不少但别怕我们一步一步来每一步我都会解释清楚这个命令是干嘛的以及可能会遇到什么问题。咱们先从最基础的系统更新开始。2. 第一步打好系统基础现在我们打开Ubuntu 20.04的终端。你可以按Ctrl Alt T快捷键快速打开它。接下来的操作我们大部分时间都会在这里进行。2.1 更新软件源列表首先我们要告诉系统“去检查一下各个软件仓库的最新信息。” 这就像去超市前先看看最新的商品目录。sudo apt update输入这行命令回车然后输入你的用户密码输入时密码不会显示这是正常的。sudo表示以管理员权限运行apt是Ubuntu的包管理工具update就是更新软件源信息。2.2 升级已安装的软件包获取了最新信息后我们就可以把系统里现有的软件都升级到最新版本修复一些已知的问题。sudo apt upgrade -y这里的upgrade就是升级-y参数表示对升级过程中所有的确认提示都自动回答“是”这样我们就不用一直守着终端按回车了。这个过程可能会花几分钟取决于你的网络速度和需要升级的软件数量。2.3 安装一些基础工具我们后续可能会用到一些方便的小工具比如用curl来下载文件用wget也是类似功能还有vim或nano这样的文本编辑器来修改配置文件。我们先一并装上。sudo apt install -y curl wget vim git build-essentialcurl,wget: 网络下载工具。vim: 一个功能强大的文本编辑器如果你不熟悉后面可以用nano它更简单。git: 版本管理工具以后从网上下载代码会用到。build-essential: 包含编译软件所需的基础工具链。做完这些我们的系统地基就算夯实了。接下来要去请出最重要的“发动机”——显卡驱动。3. 第二步安装NVIDIA显卡驱动这是非常关键的一步。驱动没装好后面的所有步骤都白搭。Ubuntu系统自带的“开源驱动”虽然能让显卡亮屏但无法发挥其全部性能尤其不适合AI计算。3.1 查看你的显卡型号在安装前最好先确认一下你的NVIDIA显卡型号。在终端输入lspci | grep -i nvidia你会看到一行信息里面包含了你的显卡型号比如GeForce RTX 3080或Tesla V100等。记下它心里有个数。3.2 自动安装推荐驱动推荐给新手对于大多数用户最简单安全的方法是使用Ubuntu自带的“附加驱动”工具它会自动检测并推荐最适合你显卡的稳定版驱动。首先打开“软件和更新”应用。你可以在程序菜单里搜索它。点击“附加驱动”标签页。系统会扫描一会儿然后列出可用的NVIDIA驱动版本。通常会有一个标记为“使用NVIDIA驱动专有驱动 (推荐)”的选项后面跟着一个版本号例如nvidia-driver-535。选中这个推荐版本然后点击“应用更改”。系统会开始下载并安装驱动完成后会提示你重启电脑。重启是必须的重启后新的显卡驱动才会生效。3.3 验证驱动安装重启后再次打开终端输入以下命令来验证驱动是否安装成功nvidia-smi如果安装成功你会看到一个表格显示了你的显卡型号、驱动版本、CUDA版本这里显示的是驱动支持的最高CUDA版本并非已安装的以及显卡的实时状态温度、功耗、显存使用等。看到这个界面恭喜你显卡驱动这关就过了如果没看到或者报错请回到上一步确认是否选择了正确的驱动并完成了重启。4. 第三步配置CUDA与cuDNN现在“发动机”能转了我们得给它配上专用的“高效工具”。CUDA是NVIDIA推出的并行计算平台cuDNN是基于CUDA的深度神经网络加速库。简单说AI模型的计算就是靠它们俩在显卡上飞起来的。为了最大程度兼容星图GPU平台等常见环境我们选择安装CUDA 11.8这个长期支持且兼容性广的版本。4.1 安装CUDA 11.8我们不从NVIDIA官网下载庞大的runfile而是使用更便捷的APT仓库方式安装。添加NVIDIA CUDA仓库的密钥和源wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update安装CUDA 11.8的核心工具包sudo apt install -y cuda-toolkit-11-8这个命令会安装CUDA 11.8的编译器、库文件等核心组件。配置环境变量让系统知道CUDA装在哪里。 打开你的用户配置文件比如~/.bashrcvim ~/.bashrc如果你不熟悉vim可以用nano ~/.bashrc。 在文件末尾添加以下几行export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存并退出编辑器在vim中是按Esc后输入:wq回车在nano中是按CtrlX然后按Y确认保存。让配置立即生效source ~/.bashrc验证CUDA安装nvcc --version如果安装成功你会看到输出信息中包含release 11.8的字样。4.2 安装cuDNNcuDNN需要从NVIDIA开发者网站下载但需要注册账号。这里我提供一个通过APT仓库安装的方法同样需要你先有NVIDIA开发者账号并下载了本地deb包但为了教程连贯我描述从本地文件安装的流程。假设你已经下载了对应CUDA 11.8的cuDNN deb包例如libcudnn8_8.x.x-1cuda11.8_amd64.deb。安装运行时库和开发者库sudo dpkg -i libcudnn8_8.x.x-1cuda11.8_amd64.deb sudo dpkg -i libcudnn8-dev_8.x.x-1cuda11.8_amd64.deb请将8.x.x替换为你实际下载的版本号验证cuDNN是否安装成功。一个简单的方法是检查头文件cat /usr/include/x86_64-linux-gnu/cudnn_version_v8.h | grep CUDNN_MAJOR -A 2或者查找库文件ldconfig -p | grep cudnn能看到相关的库文件信息就说明安装好了。至此最复杂的底层环境部分已经搭建完毕。我们已经拥有了一个支持高性能AI计算的系统。5. 第四步部署Docker环境最后一步我们来搭建“集装箱”运输系统——Docker。用Docker来部署AI应用能避免环境污染部署和迁移都极其方便。5.1 安装Docker我们使用Docker官方提供的便捷安装脚本。下载并运行安装脚本curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh这个脚本会自动检测你的系统并安装合适版本的Docker。将当前用户加入docker组这样以后运行Docker命令就不需要每次都加sudo了sudo usermod -aG docker $USER重要执行这个命令后你需要完全退出当前终端并重新登录或者重启电脑这个分组变更才会生效。验证Docker安装并检查版本docker --version重新登录后运行docker run hello-world。如果能看到一个欢迎信息说明Docker已经安装并运行正常。5.2 安装NVIDIA Container Toolkit为了让Docker容器能够使用我们刚才安装好的显卡和CUDA还需要安装一个“桥接”工具。配置仓库和安装工具包distribution$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt update sudo apt install -y nvidia-container-toolkit重启Docker服务以加载新的配置sudo systemctl restart docker验证GPU在Docker中是否可用docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu20.04 nvidia-smi这个命令会启动一个带有CUDA 11.8基础镜像的临时容器并在容器内运行nvidia-smi。如果一切顺利你会在终端里看到和宿主机上运行nvidia-smi时类似的显卡信息表格。太棒了看到这个就意味着你的Ubuntu 20.04系统环境已经为“万象熔炉·丹青幻境”准备就绪了。你现在拥有的是一个支持GPU加速、CUDA计算和容器化部署的完整AI开发环境。6. 总结与下一步走完这一趟感觉怎么样可能敲了不少命令但每一步其实都有它的道理。从更新系统开始到装上显卡驱动再到配置好CUDA和Docker我们就像搭积木一样一层一层地构建起了运行强大AI模型所需的基础平台。现在你的电脑已经“脱胎换骨”了。接下来无论是去星图镜像广场拉取“万象熔炉·丹青幻境”的预置镜像一键部署还是自己从源码开始构建和调优底层的路都已经铺平了。你不用担心环境冲突也不用纠结依赖版本因为最重要的部分我们已经搞定了。如果你在跟着做的过程中遇到了什么问题别着急回头检查一下对应的步骤尤其是验证命令的输出。网络环境、软件源偶尔的延迟都可能导致小问题多试一次或者搜索一下具体的错误信息通常都能解决。环境搭建是动手实践的第一步也是最锻炼人的一步过了这一关后面就海阔天空了。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
