Configuração de GPU

Note

Este artigo foi inicialmente verificado em relação às notas de versão do Ubuntu 26.04 LTS de abril de 2026. As versões do driver AI/GPU e CUDA/ROCm ainda precisam de validação contínua em relação às matrizes de suporte do fornecedor.

A GPU é o hardware principal para executar a maioria das cargas de trabalho de IA. Este artigo fornece um guia detalhado para configurar o ambiente de GPU NVIDIA no Ubuntu 26.04, incluindo instalação de driver, kit de ferramentas CUDA, cuDNN e etapas de verificação. Ele também cobre brevemente a configuração da GPU AMD ROCm.

Status do repositório 26.04

Os repositórios Ubuntu 26.04 agora fornecem o kit de ferramentas NVIDIA CUDA (sudo apt install cuda-toolkit) e AMD ROCm 7.1.0 (sudo apt install rocm). Eles não são pré-instalados por padrão. Para treinamento de produção, versões específicas PyTorch/TensorFlow ou servidores multi-GPU, continuem a tratar as matrizes de suporte do fornecedor NVIDIA/AMD e as notas de versão da estrutura como a fonte final da verdade.

Instalação do driver NVIDIA

Ubuntu 26.04 fornece a ferramenta ubuntu-drivers conveniente para instalação do driver NVIDIA.

Verifique o hardware


# View NVIDIA GPUs in the system
lspci | grep -i nvidia
 
# Check recommended driver versions
sudo ubuntu-drivers devices

Exemplo de saída:


== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 ==
modalias : pci:v000010DEd00002684sv...
vendor   : NVIDIA Corporation
model    : AD102 [GeForce RTX 4090]
driver   : nvidia-driver-560 - third-party non-free recommended
driver   : nvidia-driver-550 - third-party non-free
driver   : nvidia-driver-555 - third-party non-free

Instalação automática (recomendado)


# Automatically install the recommended driver version
sudo ubuntu-drivers autoinstall
 
# Reboot to activate the driver
sudo reboot

Instalação manual de uma versão específica


# View available driver versions
apt list nvidia-driver-* 2>/dev/null | grep -v "Listing"
 
# Install a specific version
sudo apt install -y nvidia-driver-560
 
# Reboot
sudo reboot

Instalar a partir do repositório oficial NVIDIA (versão mais recente)


# Add the NVIDIA official repository (Ubuntu 26.04 uses ubuntu2604)
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2604/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update
 
# Install the latest driver
sudo apt install -y nvidia-open
 
# Reboot
sudo reboot

Verifique a instalação do driver


# Check driver version and GPU status
nvidia-smi

Exemplo de saída normal:


+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 560.35.03              Driver Version: 560.35.03      CUDA Version: 12.6     |
|-----------------------------------------+------------------------+----------------------+
| 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 GeForce RTX 4090       Off  | 00000000:01:00.0  On  |                  Off |
|  0%   35C    P8              18W / 450W |     512MiB / 24564MiB  |      0%      Default |
+-----------------------------------------+------------------------+----------------------+

Tip

A “Versão CUDA” mostrada na saída nvidia-smi indica a versão CUDA mais alta suportada pelo driver, não a versão CUDA Toolkit realmente instalada. Você precisa instalar o kit de ferramentas CUDA separadamente.

Instalação do kit de ferramentas CUDA

O kit de ferramentas CUDA é a plataforma de computação GPU e modelo de programação de NVIDIA, exigido pela maioria das estruturas de IA (PyTorch, TensorFlow, etc.).

Como as versões do driver e CUDA se relacionam

Cada kit de ferramentas CUDA requer uma versão mínima do driver NVIDIA, e o CUDA mais recente precisa de um driver mais recente. Antes de instalar, confie nas NVIDIA CUDA Toolkit notas de versão e nas matrizes de suporte de versão de PyTorch / TensorFlow para escolher uma combinação compatível com todos três. Uma abordagem comum: execute nvidia-smi para ver a versão CUDA mais alta que o driver suporta e, em seguida, escolha o kit de ferramentas CUDA e as rodas da estrutura de acordo.

Método 1 (recomendado): Instalar a partir do repositório Ubuntu 26.04

Ubuntu 26.04 envia o kit de ferramentas CUDA em seu repositório. Para a maior parte do desenvolvimento local, esta é a opção mais simples:


# Install the CUDA Toolkit from the Ubuntu repository
sudo apt install -y cuda-toolkit
 
# Verify
nvcc --version

Método 2: instalar uma versão específica do repositório NVIDIA

Se você precisar de uma versão específica do CUDA Toolkit (por exemplo, para corresponder a uma roda PyTorch específica):


# Add the NVIDIA official repository (Ubuntu 26.04 uses ubuntu2604)
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2604/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update
 
# List available CUDA Toolkit versions in the repository
apt-cache search cuda-toolkit
 
# Install a specific version (replace XX-Y with an actual available version, e.g. cuda-toolkit-13-0)
sudo apt install -y cuda-toolkit-XX-Y

Note

Ubuntu 26.04 agora envia o kit de ferramentas NVIDIA CUDA em seus repositórios oficiais, então sudo apt install cuda-toolkit funciona diretamente. O repositório NVIDIA do ubuntu2604 permanece útil quando você precisa de uma versão CUDA específica (por exemplo, para corresponder a uma roda PyTorch específica).

Configurar variáveis de ambiente


# Add CUDA to PATH
cat >> ~/.bashrc << 'EOF'
 
# CUDA Toolkit
export CUDA_HOME=/usr/local/cuda
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH
EOF
 
source ~/.bashrc

Verifique a instalação do CUDA


# Check CUDA compiler version
nvcc --version
 
# Example output:
# nvcc: NVIDIA (R) Cuda compiler driver
# Cuda compilation tools, release X.Y, VX.Y.xxx
 
# Run CUDA samples (optional)
# Newer CUDA versions no longer ship samples with the Toolkit; clone them from GitHub
sudo apt install -y cmake build-essential git
git clone https://github.com/NVIDIA/cuda-samples.git
cd cuda-samples
cmake -B build && cmake --build build -j$(nproc)
 
# Run device query (path may vary by version)
./build/Samples/1_Utilities/deviceQuery/deviceQuery
 
# If output shows "Result = PASS", installation is successful

Instale várias versões CUDA


# With the NVIDIA repository you can install multiple versions (replace XX-Y with actual versions)
sudo apt install -y cuda-toolkit-XX-Y
sudo apt install -y cuda-toolkit-ZZ-W
 
# View installed versions
ls /usr/local/ | grep cuda
 
# Switch default version (by updating the symlink; replace X.Y with the target version)
sudo rm /usr/local/cuda
sudo ln -s /usr/local/cuda-X.Y /usr/local/cuda
 
# Verify current version
nvcc --version

Instalação cuDNN

cuDNN (biblioteca CUDA Deep Neural Network) é a biblioteca de aceleração de aprendizagem profunda do NVIDIA. Tanto PyTorch quanto TensorFlow dependem disso.

Instalar via apt (recomendado)


# Ensure the NVIDIA repository has been added
# Install cuDNN for CUDA 12
sudo apt install -y cudnn9-cuda-12
 
# Or install specific packages
sudo apt install -y libcudnn9-cuda-12 libcudnn9-dev-cuda-12
 
# Verify installation
dpkg -l | grep cudnn

Instalar via pacote tar


# Download cuDNN from the NVIDIA developer website
# https://developer.nvidia.com/cudnn-downloads
# Requires a free NVIDIA developer account
 
# Extract to the CUDA directory
sudo tar -xzf cudnn-linux-x86_64-9.x.x.x_cuda12-archive.tar.xz
sudo cp cudnn-linux-x86_64-9.x.x.x_cuda12-archive/include/* /usr/local/cuda/include/
sudo cp cudnn-linux-x86_64-9.x.x.x_cuda12-archive/lib/* /usr/local/cuda/lib64/
sudo ldconfig

Verifique cuDNN


# Check if cuDNN can be found
ldconfig -p | grep cudnn
 
# Verify via Python (requires PyTorch to be installed first)
python3 -c "import torch; print('cuDNN version:', torch.backends.cudnn.version()); print('cuDNN enabled:', torch.backends.cudnn.enabled)"

Verifique a disponibilidade da GPU

Após instalar todos os componentes, execute uma verificação abrangente.

Verificação em nível de sistema


# 1. Check driver
nvidia-smi
 
# 2. Check CUDA
nvcc --version
 
# 3. Check cuDNN
ldconfig -p | grep cudnn
 
# 4. View detailed GPU information
nvidia-smi -q | head -50
 
# 5. Monitor real-time GPU status
watch -n 1 nvidia-smi

Verificação de GPU PyTorch


# Install PyTorch (inside an activated virtual environment)
# pip install torch installs the wheel for the current CUDA by default;
# older drivers can pin a lower CUDA, e.g. cu126
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
 
# Verify GPU availability
python3 << 'EOF'
import torch
 
print(f"PyTorch version: {torch.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")
print(f"CUDA version: {torch.version.cuda}")
print(f"cuDNN version: {torch.backends.cudnn.version()}")
print(f"GPU count: {torch.cuda.device_count()}")
 
if torch.cuda.is_available():
    print(f"Current GPU: {torch.cuda.get_device_name(0)}")
    print(f"GPU VRAM: {torch.cuda.get_device_properties(0).total_memory / 1024**3:.1f} GB")
 
    # Simple GPU compute test
    x = torch.randn(1000, 1000, device='cuda')
    y = torch.randn(1000, 1000, device='cuda')
    z = torch.mm(x, y)
    print(f"GPU compute test passed! Matrix multiplication result shape: {z.shape}")
else:
    print("Warning: CUDA not available. Please check driver and CUDA installation")
EOF

Verificação de GPU TensorFlow


# Install TensorFlow
pip install tensorflow
 
# Verify
python3 << 'EOF'
import tensorflow as tf
 
print(f"TensorFlow version: {tf.__version__}")
gpus = tf.config.list_physical_devices('GPU')
print(f"Available GPU count: {len(gpus)}")
 
for gpu in gpus:
    print(f"  GPU: {gpu.name}")
 
if gpus:
    # Simple test
    with tf.device('/GPU:0'):
        a = tf.random.normal([1000, 1000])
        b = tf.random.normal([1000, 1000])
        c = tf.matmul(a, b)
        print(f"GPU compute test passed! Matrix multiplication result shape: {c.shape}")
EOF

ROCm (GPU AMD) Visão geral

ROCm (Radeon Open Compute) é a plataforma de computação GPU de código aberto do AMD, semelhante ao CUDA do CUDA.

GPUs AMD suportadas

ROCm suporta principalmente a seguinte série de GPU AMD:

Radeon RX 7900 XTX/7900 XT (RDNA 3)
Radeon RX 7800 XT/7700 XT (RDNA 3)
Radeon PRO W7900/W7800
Instinto MI300X / MI250X / MI210 (centro de dados)

Instale ROCm

Ubuntu 26.04 é a primeira versão onde você pode instalar ROCm com um único comando apt. Prefira o pacote enviado no repositório 26.04:


# Method 1 (recommended): use the ROCm packaged in the Ubuntu 26.04 repository
# Full runtime stack
sudo apt install -y rocm
 
# Or just the libraries and headers for development
# sudo apt install -y rocm-dev
 
# Add user to render and video groups
sudo usermod -aG render,video $USER
 
# Reboot
sudo reboot

Note

O repositório Ubuntu 26.04 é enviado ROCm 7.1.0. Se você precisar de uma versão mais recente, use o repositório oficial do AMD abaixo e siga o número da versão atual dos documentos oficiais do AMD.


# Method 2: install a newer version from AMD's official repository
# Check the current version at https://repo.radeon.com/rocm/apt/ and replace <version> below
# Until AMD ships an Ubuntu 26.04 (resolute) repo, the 24.04 (noble) repo can be used as a fallback
wget https://repo.radeon.com/rocm/rocm.gpg.key -O - | \
  gpg --dearmor | sudo tee /etc/apt/keyrings/rocm.gpg > /dev/null
 
echo "deb [arch=amd64 signed-by=/etc/apt/keyrings/rocm.gpg] https://repo.radeon.com/rocm/apt/<version> noble main" | \
  sudo tee /etc/apt/sources.list.d/rocm.list
 
sudo apt update
sudo apt install -y rocm
sudo usermod -aG render,video $USER
sudo reboot

Verifique ROCm


# View AMD GPU information
rocm-smi
 
# Check ROCm version
rocminfo | head -20
 
# Install PyTorch ROCm version
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm6.2
 
# Verify
python3 -c "import torch; print('ROCm available:', torch.cuda.is_available()); print('Device:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A')"

Note

AMD O ecossistema de software de ROCm não é tão maduro quanto NVIDIA CUDA. Algumas ferramentas de IA podem não ser suportadas ou ter suporte limitado. Se seu uso principal for o desenvolvimento de IA, as GPUs NVIDIA continuam sendo a escolha mais segura. No entanto, ROCm está melhorando continuamente, e PyTorch e várias estruturas importantes agora têm um bom suporte.

Solução de problemas comuns

Problema 1: nvidia-smi não mostra saída ou erros


# Check if the driver is loaded
lsmod | grep nvidia
 
# If no output, try reloading the driver
sudo modprobe nvidia
 
# Check for Secure Boot issues
mokutil --sb-state
# If Secure Boot is enabled, you may need to sign the driver or disable Secure Boot
 
# Check kernel logs
dmesg | grep -i nvidia
sudo journalctl -b | grep -i nvidia

Problema 2: conflitos de versão do driver


# Remove all NVIDIA drivers
sudo apt purge -y 'nvidia-*'
sudo apt purge -y 'libnvidia-*'
sudo apt autoremove -y
 
# Reboot
sudo reboot
 
# Reinstall
sudo ubuntu-drivers autoinstall
sudo reboot

Problema 3: versão CUDA e incompatibilidade PyTorch


# Check current CUDA version
nvcc --version
 
# Check PyTorch expected CUDA version
python3 -c "import torch; print(torch.version.cuda)"
 
# If mismatched, install the PyTorch wheel for the corresponding CUDA version
# Default (current CUDA)
pip install torch
 
# CUDA 12.6
pip install torch --index-url https://download.pytorch.org/whl/cu126
 
# CUDA 12.8
pip install torch --index-url https://download.pytorch.org/whl/cu128
 
# Available cuXXX indexes are listed at https://pytorch.org/get-started/locally/

Problema 4: GPU sem memória (OOM)


# Check current GPU memory usage
nvidia-smi
 
# Find processes using the GPU
nvidia-smi --query-compute-apps=pid,name,used_memory --format=csv
 
# Free GPU memory (kill the occupying process)
# First confirm the process PID
kill -9 <PID>
 
# Clear PyTorch cache
python3 -c "import torch; torch.cuda.empty_cache()"

Problema 5: Conflito de Driver Nouveau


# Nouveau is the open-source NVIDIA driver, which may conflict with the official driver
# Check if nouveau is loaded
lsmod | grep nouveau
 
# If there is output, disable nouveau
sudo bash -c 'cat > /etc/modprobe.d/blacklist-nouveau.conf << EOF
blacklist nouveau
options nouveau modeset=0
EOF'
 
# Regenerate initramfs
sudo update-initramfs -u
 
# Reboot
sudo reboot

Problema 6: Usando GPU em contêineres Docker


# Install NVIDIA Container Toolkit
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \
  sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
 
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
  sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
 
sudo apt update
sudo apt install -y nvidia-container-toolkit
 
# Configure Docker
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker
 
# Test Docker GPU access
docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu24.04 nvidia-smi
# Tip: nvidia/cuda image tags are organized by CUDA version and base OS;
# pick an existing tag at https://hub.docker.com/r/nvidia/cuda/tags

Tip

Depois de instalar os drivers NVIDIA, recomendamos instalar o NVIDIA Container Toolkit imediatamente. Isso permite que você use a aceleração de GPU ao executar ferramentas de IA em contêineres Docker (como Open WebUI, ComfyUI, etc.) sem configurar drivers separadamente dentro do contêiner.

Script de instalação completo

O script a seguir consolida todo o processo de configuração do ambiente GPU:


#!/bin/bash
# gpu-setup.sh -- Ubuntu 26.04 NVIDIA GPU Environment One-Click Setup
set -e
 
echo "=== 1. Install NVIDIA Driver ==="
sudo apt update
sudo ubuntu-drivers autoinstall
 
echo "=== 2. Install CUDA Toolkit (Ubuntu 26.04 repository) ==="
sudo apt install -y cuda-toolkit
 
echo "=== 3. (Optional) For a newer version from the NVIDIA repository, use the following instead ==="
# wget -q https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2604/x86_64/cuda-keyring_1.1-1_all.deb
# sudo dpkg -i cuda-keyring_1.1-1_all.deb
# sudo apt update
# sudo apt install -y cuda-toolkit-XX-Y   # replace with an actual available version
 
echo "=== 4. Install cuDNN ==="
sudo apt install -y cudnn9-cuda-12
 
echo "=== 5. Configure Environment Variables ==="
if ! grep -q "CUDA_HOME" ~/.bashrc; then
  cat >> ~/.bashrc << 'ENVEOF'
 
# CUDA Environment
export CUDA_HOME=/usr/local/cuda
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH
ENVEOF
fi
 
echo "=== 6. Install NVIDIA Container Toolkit ==="
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \
  sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
  sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt update
sudo apt install -y nvidia-container-toolkit
 
echo ""
echo "=== Installation Complete! ==="
echo "Please reboot and then run nvidia-smi and nvcc --version to verify."
echo "Reboot command: sudo reboot"


# Save and run the script
chmod +x gpu-setup.sh
./gpu-setup.sh

Configuração de GPU

Status do repositório 26.04

Instalação do driver NVIDIA

Verifique o hardware

Instalação automática (recomendado)

Instalação manual de uma versão específica

Instalar a partir do repositório oficial NVIDIA (versão mais recente)

Verifique a instalação do driver

Instalação do kit de ferramentas CUDA

Como as versões do driver e CUDA se relacionam

Método 1 (recomendado): Instalar a partir do repositório Ubuntu 26.04

Método 2: instalar uma versão específica do repositório NVIDIA

Configurar variáveis ​​de ambiente

Verifique a instalação do CUDA

Instale várias versões CUDA

Instalação cuDNN

Instalar via apt (recomendado)

Instalar via pacote tar

Verifique cuDNN

Verifique a disponibilidade da GPU

Verificação em nível de sistema

Verificação de GPU PyTorch

Verificação de GPU TensorFlow

ROCm (GPU AMD) Visão geral

GPUs AMD suportadas

Instale ROCm

Verifique ROCm

Solução de problemas comuns

Problema 1: nvidia-smi não mostra saída ou erros

Problema 2: conflitos de versão do driver

Problema 3: versão CUDA e incompatibilidade PyTorch

Problema 4: GPU sem memória (OOM)

Problema 5: Conflito de Driver Nouveau

Problema 6: Usando GPU em contêineres Docker

Script de instalação completo

Configurar variáveis de ambiente