4. 环境准备：装好 Ubuntu、NVIDIA 驱动、CUDA Toolkit 与 cuDNN

好，咱们直接上手。要做 GPU 加速 BLAST，环境是第一步。这一步要是踩了坑，后面全白搭。

我个人习惯是把环境拆成四层：操作系统 → 显卡驱动 → CUDA 运行时 → cuDNN 库。一层叠一层，缺一个都跑不起来。你想想看，要是驱动版本跟 CUDA Toolkit 不匹配，后面编译啥的会报一堆莫名其妙的错。

4.1 装 Ubuntu 系统

我建议用 Ubuntu 20.04 LTS 或 22.04 LTS。别图新鲜装非 LTS 版本，搞科研的讲究稳定。

装系统的时候注意这几件事：

• 分区：给 / 分区至少 100 GB。如果数据多，再单独挂个 /data。
• 网络：确保能连外网，驱动和工具都得从 NVIDIA 官网下。
• SSH：装完先开 SSH 服务，方便远程连上去操作。

sudo apt update && sudo apt upgrade -y
sudo apt install build-essential dkms linux-headers-$(uname -r) -y

这一步是为了后面编译内核模块做准备。不装的话，驱动安装时可能报 kernel header 缺失。

4.2 安装 NVIDIA 驱动

驱动是显卡能工作的基础。BLAST 对驱动版本有硬要求，别太旧。

获取驱动有两种方式：

1. 官方 runfile：去 NVIDIA 官网下载对应显卡型号的驱动，手动安装。
2. Ubuntu 源：用 ubuntu-drivers 工具自动推荐版本。

我个人偏向第二种，省事。跑一遍：

sudo ubuntu-drivers autoinstall

或者手动指定版本号（推荐 525 或 535 系列）：

sudo apt install nvidia-driver-535 -y

装完后重启，用 nvidia-smi 验证：

nvidia-smi

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 535.129.03   Driver Version: 535.129.03   CUDA Version: 12.2     |
|-------------------------------+----------------------+----------------------+

4.3 安装 CUDA Toolkit

CUDA Toolkit 是编译和运行 GPU 代码的核心。BLAST 调优时跑的那些 profile，都得靠它。

我之前做过一个项目，驱动是 525，结果装了 CUDA 11.8，编译倒是过了，一跑就崩。后来一查，驱动版本太低了，带不动 CUDA 11.8 的新特性。这就是教训。

版本对应对照表（我常用的组合）：

安装步骤（以 CUDA 12.2 为例）：

wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda_12.2.0_535.54.03_linux.run
sudo sh cuda_12.2.0_535.54.03_linux.run

安装器启动后，会弹出字符菜单。注意：把 "Driver" 前面的勾取消掉，因为我们已经安过驱动了。只选 CUDA Toolkit 和 CUDA Samples。

装好以后配置环境变量（追加到 ~/.bashrc）：

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

然后 source ~/.bashrc，验证：

nvcc --version

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Wed_Nov_22_10:17:15_PST_2023
Cuda compilation tools, release 12.2, V12.2.140

看到这些就说明 CUDA Toolkit 装好了。

4.4 安装 cuDNN

cuDNN 是深度神经网络加速库，但 BLAST 里用到的某些 GPU kernel 也会调用它，尤其是做大规模序列比对时涉及一些矩阵运算。

cuDNN 的安装其实很简单，就是把头文件和库文件丢到 CUDA 目录下。具体步骤如下：

1. 去 NVIDIA 官网注册并下载 cuDNN for CUDA 12.x（tar 包，非 deb）。
2. 解压后复制文件：

tar -xzvf cudnn-linux-x86_64-8.9.4.25_cuda12-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include/
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

验证 cuDNN 版本：

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

#define CUDNN_MAJOR 8
#define CUDNN_MINOR 9
#define CUDNN_PATCHLEVEL 4

4.5 最终环境检查清单

所有装完以后，我习惯跑一遍下面的检查，确保每层都是通的：

echo "=== 内核版本 ===" && uname -r
echo "=== 驱动版本 ===" && nvidia-smi | grep "Driver Version"
echo "=== CUDA 版本 ===" && nvcc --version | grep "release"
echo "=== cuDNN 版本 ===" && cat /usr/local/cuda/include/cudnn_version.h | grep "CUDNN_MAJOR"
echo "=== GPU 列表 ===" && nvidia-smi --query-gpu=name --format=csv,noheader
echo "=== 编译测试 ===" && cd /tmp && cat < test_cuda.cu
__global__ void test() {}
int main() { test<<<1,1>>>(); cudaDeviceSynchronize(); return 0; }
EOF
nvcc test_cuda.cu -o test_cuda && ./test_cuda && echo "CUDA 编译运行 OK"

如果最后一行输出 "CUDA 编译运行 OK"，那环境就准备好了。