NVIDIA 驱动与 CUDA

在 EL（Enterprise Linux）系统上运行 AI 工作负载，首先需要正确安装 NVIDIA GPU 驱动和 CUDA 工具包。本文涵盖驱动安装、CUDA 配置、nvidia-smi 使用以及 NVIDIA Container Toolkit 的部署。

检查 GPU 硬件

确认系统识别到 GPU

lspci | grep -i nvidia

输出示例：

3b:00.0 3D controller: NVIDIA Corporation A100 80GB PCIe (rev a1)

如果没有输出，说明系统未检测到 NVIDIA GPU，请检查硬件连接或 BIOS 设置。

查看 GPU 详细信息

lspci -v -s $(lspci | grep -i nvidia | head -1 | awk '{print $1}')

安装 NVIDIA 驱动

有两种主要方式安装驱动：通过 NVIDIA 官方仓库（推荐）或通过 ELRepo。

安装前准备

确保系统已更新，并安装必要的依赖：

sudo dnf update -y
sudo dnf install -y epel-release   # dkms 来自 EPEL
sudo dnf install -y kernel-devel kernel-headers gcc make dkms

禁用 nouveau 开源驱动（如果已加载）：

# 检查 nouveau 是否加载
lsmod | grep nouveau

# 如果有输出，需要禁用它
sudo tee /etc/modprobe.d/blacklist-nouveau.conf > /dev/null <<'EOF'
blacklist nouveau
options nouveau modeset=0
EOF

# 重建 initramfs
sudo dracut --force

# 重启系统
sudo reboot

方式一：NVIDIA 官方仓库（推荐）

这是最推荐的方式，能获得最新的驱动版本。根据 EL 版本选择对应仓库。

EL 9

添加 NVIDIA CUDA 仓库并安装驱动（EL 9）

# 添加 NVIDIA CUDA 仓库（包含驱动和 CUDA）
sudo dnf config-manager --add-repo https://developer.download.nvidia.com/compute/cuda/repos/rhel9/x86_64/cuda-rhel9.repo

# 清理缓存
sudo dnf clean all

# 安装最新驱动（DKMS 模块）
sudo dnf module install -y nvidia-driver:latest-dkms

EL 10

添加 NVIDIA CUDA 仓库并安装驱动（EL 10）

# 添加 NVIDIA CUDA 仓库（rhel10）
sudo dnf config-manager --add-repo https://developer.download.nvidia.com/compute/cuda/repos/rhel10/x86_64/cuda-rhel10.repo

# 清理缓存
sudo dnf clean all

# EL 10 的 NVIDIA 仓库不提供 module 流，直接安装开源内核模块驱动
sudo dnf install -y nvidia-open

注意

EL 10 的 NVIDIA CUDA 仓库不提供 nvidia-driver 模块流，因此直接安装 nvidia-open 包；dnf module 在 EL 10 上已弃用（不再分发 modular 内容）。具体包名以 NVIDIA 官方 CUDA 安装指南和仓库实际内容为准，可用 dnf list available 'nvidia*' 查看。

如果你更倾向于安装特定版本的驱动：

查看并安装指定版本的驱动

# 查看可用版本
sudo dnf list available nvidia-driver --showduplicates

# 安装指定版本（把 <版本号> 换成上一步列出的版本）
sudo dnf install -y nvidia-driver-<版本号>

安装完成后重启系统：

sudo reboot

方式二：ELRepo 仓库

ELRepo 是 Enterprise Linux 社区维护的驱动仓库：

通过 ELRepo 安装 NVIDIA 驱动（EL 9）

# 安装 ELRepo 仓库
sudo dnf install -y https://www.elrepo.org/elrepo-release-9.el9.elrepo.noarch.rpm

# 安装 NVIDIA 驱动（kmod 版本，随内核更新自动重编译）
sudo dnf install -y kmod-nvidia

# 或安装 DKMS 版本
sudo dnf install -y nvidia-x11-drv

通过 ELRepo 安装 NVIDIA 驱动（EL 10）

# 安装 ELRepo 仓库
sudo dnf install -y https://www.elrepo.org/elrepo-release-10.el10.elrepo.noarch.rpm

# 安装 NVIDIA 驱动（kmod 版本）
sudo dnf install -y kmod-nvidia

# 或安装 DKMS 版本
sudo dnf install -y nvidia-x11-drv

重启系统：

sudo reboot

验证驱动安装

nvidia-smi

成功输出示例：

+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 580.126.16             Driver Version: 580.126.16     CUDA Version: 13.0     |
|-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|=========================================+========================+======================|
|   0  NVIDIA A100 80GB PCIe         Off  | 00000000:3B:00.0  Off |                    0 |
| N/A   32C    P0              43W / 300W |       0MiB / 81920MiB |      0%      Default |
+-----------------------------------------+------------------------+----------------------+

nvidia-smi 常用命令

nvidia-smi 是 NVIDIA 系统管理工具，用于监控和管理 GPU。

# 基本信息
nvidia-smi

# 持续监控（每秒刷新）
watch -n 1 nvidia-smi

# 查看详细 GPU 信息
nvidia-smi -q

# 仅查看 GPU 利用率和显存
nvidia-smi --query-gpu=index,name,utilization.gpu,memory.used,memory.total --format=csv

# 查看运行在 GPU 上的进程
nvidia-smi pmon -i 0

# 设置持久模式（减少首次调用延迟）
sudo nvidia-smi -pm 1

# 设置 GPU 功耗限制
sudo nvidia-smi -pl 250

# 查看 GPU 温度
nvidia-smi --query-gpu=temperature.gpu --format=csv,noheader

持久模式守护进程

在服务器上建议启用 nvidia-persistenced，避免每次 GPU 调用的初始化延迟：

sudo systemctl enable --now nvidia-persistenced

安装 CUDA 工具包

CUDA 工具包包含编译器（nvcc）、库和开发工具，是编译 GPU 加速程序所必需的。

通过 NVIDIA 仓库安装

如果你在安装驱动时已经添加了 NVIDIA CUDA 仓库，可以直接安装：

安装 CUDA 工具包

# 安装最新 CUDA 工具包
sudo dnf install -y cuda-toolkit

# 或安装特定版本（先查看仓库提供哪些版本）
sudo dnf list available 'cuda-toolkit-*'
sudo dnf install -y cuda-toolkit-<版本号>

配置环境变量

# 添加 CUDA 到 PATH
cat >> ~/.bashrc <<'EOF'

# CUDA
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
EOF

source ~/.bashrc

验证 CUDA 安装

nvcc --version

输出示例：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2024 NVIDIA Corporation
Built on ...
Cuda compilation tools, release 13.3, V13.3.xxx

编译测试程序

# 安装与当前 CUDA 主版本匹配的示例包（13.x 对应 cuda-samples-13-*；先 `dnf list 'cuda-samples*'` 确认）
sudo dnf install -y cuda-samples-13-3

# 编译 deviceQuery 示例
cd /usr/local/cuda/samples/1_Utilities/deviceQuery 2>/dev/null || \
  echo "示例可能位于其他位置，请检查 /usr/local/cuda/extras/"

# 或手动编写测试程序
cat > /tmp/cuda_test.cu <<'EOF'
#include <stdio.h>
__global__ void hello() {
    printf("Hello from GPU thread %d\n", threadIdx.x);
}
int main() {
    hello<<<1, 5>>>();
    cudaDeviceSynchronize();
    return 0;
}
EOF

nvcc /tmp/cuda_test.cu -o /tmp/cuda_test && /tmp/cuda_test

cuDNN 安装

部分深度学习框架需要 cuDNN 库：

# 通过 NVIDIA 仓库安装（与 CUDA 主版本匹配：13.x 用 cudnn9-cuda-13；先 `dnf list 'cudnn*'` 确认）
sudo dnf install -y cudnn9-cuda-13

NVIDIA Container Toolkit

NVIDIA Container Toolkit 让 Docker 和 Podman 容器能够访问宿主机的 GPU，是在容器中运行 AI 应用的关键组件。

安装 Container Toolkit

# 添加 NVIDIA Container Toolkit 仓库
curl -s -L https://nvidia.github.io/libnvidia-container/stable/rpm/nvidia-container-toolkit.repo | \
  sudo tee /etc/yum.repos.d/nvidia-container-toolkit.repo

# 安装
sudo dnf install -y nvidia-container-toolkit

配置 Docker

# 配置 Docker 运行时
sudo nvidia-ctk runtime configure --runtime=docker

# 重启 Docker
sudo systemctl restart docker

# 验证 GPU 在容器中可用
sudo docker run --rm --gpus all nvidia/cuda:13.3.1-base-ubi9 nvidia-smi

配置 Podman

# 配置 Podman（CDI 方式）
sudo nvidia-ctk cdi generate --output=/etc/cdi/nvidia.yaml

# 验证 CDI 设备
nvidia-ctk cdi list

# 运行 GPU 容器
podman run --rm --device nvidia.com/gpu=all nvidia/cuda:13.3.1-base-ubi9 nvidia-smi

警告

容器镜像的 CUDA 版本不能高于已安装驱动支持的版本（例如驱动 580.x 最高支持 CUDA 13.3）。请根据 nvidia-smi 显示的 CUDA Version 选择镜像标签。

Docker Compose 中使用 GPU

在 docker-compose.yml 中声明 GPU 资源：

services:
  ai-app:
    image: your-ai-image:latest
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all  # 或指定数量如 1
              capabilities: [gpu]

驱动更新

更新驱动

# 通过 NVIDIA 仓库更新
sudo dnf update -y nvidia-driver cuda-toolkit

# 更新后重启
sudo reboot

回滚驱动

如果新驱动有问题，可以回滚到之前的版本：

回滚到指定版本

# 查看已安装的版本
rpm -qa | grep nvidia-driver

# 降级到指定版本（把 <版本号> 换成要回滚到的版本）
sudo dnf downgrade nvidia-driver-<版本号>
sudo reboot

常见问题

nvidia-smi 报错：NVIDIA-SMI has failed

# 检查驱动模块是否加载
lsmod | grep nvidia

# 如果没有加载，尝试手动加载
sudo modprobe nvidia

# 检查内核日志
sudo dmesg | grep -i nvidia

# 最常见原因是 Secure Boot 阻止了未签名的内核模块
# 在 BIOS 中禁用 Secure Boot，或对模块进行签名

内核更新后驱动失效

如果使用 DKMS 安装方式，内核更新后驱动应自动重编译。如果失败：

# 检查 DKMS 状态
dkms status

# 手动重新编译
sudo dkms autoinstall

# 重启
sudo reboot

多 GPU 环境下指定 GPU

# 查看所有 GPU
nvidia-smi -L

# 通过环境变量指定可见的 GPU
export CUDA_VISIBLE_DEVICES=0      # 仅使用 GPU 0
export CUDA_VISIBLE_DEVICES=0,1    # 使用 GPU 0 和 1
export CUDA_VISIBLE_DEVICES=""     # 禁用所有 GPU

查看 GPU 兼容的 CUDA 版本

# nvidia-smi 右上角显示的是驱动支持的最高 CUDA 版本
nvidia-smi

# 实际安装的 CUDA 版本
nvcc --version

注意

nvidia-smi 显示的 CUDA 版本是驱动兼容的最高版本，不一定是实际安装的版本。你可以安装等于或低于该版本的任何 CUDA 工具包。