4. Vina-GPU 安装与环境配置（Ubuntu / CentOS）

说实话，我刚接触 Vina-GPU 那会儿，光装环境就折腾了一整天。后来发现，很多问题其实都是基础依赖没对齐造成的。这一章我把踩过的坑全抖出来，你照着做基本一次过。

4.1 硬件与软件前置检查

先别急着敲命令。我建议你先用下面这条命令确认显卡是否被系统识别：

lspci | grep -i nvidia

如果啥都没输出，说明要么没装 NVIDIA 显卡，要么 PCI 驱动没加载。我记得有一次在一台 CentOS 服务器上，显卡明明是 T4，却死活认不出来——最后发现是 BIOS 里把 PCIe 插槽关掉了……

软件方面的最低要求，我整理了个表：

组件Ubuntu 20.04 / 22.04CentOS 7 / 8
GCC≥ 8.0≥ 8.0（需 devtoolset）
CMake≥ 3.18≥ 3.18（官方源码编译）
CUDA Toolkit11.x / 12.x11.x / 12.x
cuDNN≥ 8.6≥ 8.6
OpenMP默认支持需 libgomp 包

个人习惯：我偏爱 Ubuntu 22.04 + CUDA 12.1 + cuDNN 8.9 的组合，编译 Vina-GPU 基本零报错。CentOS 用户最好升到 devtoolset-11 以上，否则 GCC 太老会卡死一堆模板推导。

4.2 CUDA Toolkit 与 cuDNN 安装

CUDA 的安装我推荐用 runfile 方式，别用 apt 或 yum 的仓库版。为什么呢？因为仓库版经常把 nvidia-driver 一起升级，容易搞花已有驱动。我曾经在 Ubuntu 上手快敲了 apt install cuda，结果重启后 X Server 起不来了……

正确的做法：

  1. 去 NVIDIA 官网下载指定的 CUDA runfile
    比如 CUDA 12.1：cuda_12.1.0_530.30.02_linux.run
  2. 执行时不装驱动和显卡驱动
chmod +x cuda_12.1.0_530.30.02_linux.run
sudo ./cuda_12.1.0_530.30.02_linux.run --toolkit --silent --override

装完以后，记得把路径加到 .bashrc 或 .zshrc：

export PATH=/usr/local/cuda-12.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH

然后 source ~/.bashrc，用 nvcc --version 验证。看到版本号就对了。

cuDNN 更简单——下载 deb 包（Ubuntu）或 tar 包（CentOS），解压后把头文件和库拷贝到 CUDA 目录下：

# Ubuntu
sudo dpkg -i libcudnn8_8.9.0.131-1+cuda12.1_amd64.deb
sudo dpkg -i libcudnn8-dev_8.9.0.131-1+cuda12.1_amd64.deb

# CentOS 用 tar 包
tar -xzvf cudnn-linux-x86_64-8.9.0.131_cuda12-archive.tar.xz
sudo cp cuda/include/* /usr/local/cuda-12.1/include/
sudo cp cuda/lib64/* /usr/local/cuda-12.1/lib64/

避坑提醒：cuDNN 的版本必须与 CUDA 主版本完全匹配。比如 CUDA 12.1 就要用 cuDNN 8.9 for CUDA 12.x。我曾经试过跨大版本拷贝符号链接，结果运行时报 libcudnn.so.8: cannot open shared object file，排查了俩小时。

4.3 系统依赖与 CMake 准备

无论 Ubuntu 还是 CentOS，基础开发包必须齐全。我一般先跑这几行：

Ubuntu：

sudo apt update
sudo apt install build-essential cmake git libboost-dev libboost-system-dev libboost-filesystem-dev libboost-thread-dev

CentOS：

sudo yum groupinstall "Development Tools"
sudo yum install cmake3 git boost-devel
sudo ln -s /usr/bin/cmake3 /usr/bin/cmake   # 让 cmake 命令生效

小技巧：CentOS 7 自带的 CMake 只有 2.8，太老了。我建议从 https://cmake.org/download/ 下载 cmake-3.27.x-linux-x86_64.sh，用 --prefix=/usr/local 安装，一步到位。

4.4 获取 Vina-GPU 源码并编译

从 GitHub 把代码拉下来：

git clone https://github.com/DeltaGroupNJUPT/Vina-GPU.git
cd Vina-GPU

注意，这个项目目前只有 OpenCL 分支支持 CUDA（其实背后用了 OpenCL 转 CUDA 的 shim）。我个人建议直接用 opencl 分支：

git checkout opencl

然后创建 build 目录，配置 CMake：

mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release -DOPENCL_LIBRARY=/usr/local/cuda-12.1/lib64/libOpenCL.so

我遇到过一个坑：libOpenCL.so 路径不对的话，CMake 会报 Could NOT find OpenCL。后来我用 find /usr/local -name "libOpenCL*" 找到真实路径才解决的。

配置成功后，编译：

make -j$(nproc)

不出意外会在 bin/ 目录下生成 vina_gpu 可执行文件。

经验之谈：我第一次编译花了 15 分钟，是因为忘了加 -j 参数。后来养成习惯，先 nproc 看一眼核数再决定 -j 数，别一把梭拉满 64 核导致内存爆炸。

4.5 验证安装

运行自带的测试配体：

cd ..
./build/bin/vina_gpu --receptor examples/receptor.pdbqt --ligand examples/ligand.pdbqt --out output.pdbqt

如果看到类似这样的日志，就说明安装成功：

[INFO] OpenCL device: NVIDIA GeForce RTX 3090
[INFO] Kernel compiled successfully
[INFO] Running docking with 20 poses...
[INFO] Best affinity: -9.3 kcal/mol
[INFO] Output written to output.pdbqt

注意：如果日志里出现 CL_DEVICE_NOT_AVAILABLE，多半是 CUDA 驱动版本与 OpenCL 运行时不兼容。检查 nvidia-smi 输出的驱动版本，必要时回退或升级 CUDA Toolkit。

4.6 环境配置全景图

下面这张 SVG 把整个安装流程串起来了，方便你对照：

Vina-GPU 安装与环境配置流程 硬件检查（lspci） 系统依赖安装 CUDA Toolkit cuDNN 部署 git clone 源码 CMake 配置 make -j 编译 运行测试对接 安装成功 ✅ ❌ 看日志 → 检查依赖/路径

4.7 常见问题与避坑清单

  • “OpenCL 库找不到”
    检查 ls /usr/local/cuda/lib64/libOpenCL*，如果没有，安装 nvidia-opencl-icd（Ubuntu）或 nvidia-persistenced（CentOS）。
  • “Kernel 编译缓慢”
    第一次运行 Vina-GPU 时 OpenCL JIT 编译可能要等 1-2 分钟，这是正常的。我建议你提前用 clinfo 确认设备支持。
  • “段错误 / Segmentation fault”
    多半是 PDBQT 文件格式不对。用 --receptor 和 --ligand 参数前，先用 AutoDock Tools 预处理一下。
  • “显存不足”
    默认网格尺寸太大时，可以加 --size_x 20 --size_y 20 --size_z 20 缩小搜索空间。

我的压箱底招数：如果编译遇到奇怪的模板错误，试试把 CMAKE_BUILD_TYPE 改成 RelWithDebInfo，有些优化开关会跳过导致死循环的模板实例化。

配置完环境后，我建议你跑一轮官方 example，确认输出无误。之后再拿自己的蛋白-配体对测试，性能数据就能对标 GPU 加速的预期了。安装这一步走稳，后面几章的 GPU 优化技巧才能施展得开。

← 上一章 📖 返回目录 下一章 →