第3章：环境搭建——CUDA Toolkit安装、cuDNN配置与深度学习框架GPU版部署
做基因组注释特征构建，没有GPU环境，就像赛车没装引擎。我刚开始搞GPU计算那会儿，光装环境就折腾了两天——不是CUDA版本不对，就是cuDNN路径没配好，最后PyTorch死活调不了GPU。说白了，这三样东西一环扣一环，版本错一个就得重来。
这一章，我手把手带你搭好整套环境。咱们的目标很明确：CUDA Toolkit → cuDNN → PyTorch / TensorFlow，一条线走通，一个坑都不踩。
整体流程一览
先看张图，心里有个谱。这张图把我们从零到能跑GPU训练的完整路径画清楚了。
CUDA Toolkit安装——地基打好
CUDA Toolkit说白了就是NVIDIA的并行计算平台。基因组注释里那些kmer计数、序列比对、特征矩阵运算，最后都得靠它调度GPU核心。
第一步：检查驱动
先跑一下这个命令，看看你的驱动支不支持CUDA 11.x：
nvidia-smi输出里找 "CUDA Version: 11.x"。如果驱动版本太低，先升级驱动。我记得有一次在一台旧服务器上装环境，驱动还是418.x，CUDA 11.8死活装不上，折腾半天才意识到是驱动太老。
第二步：选择版本
我个人建议直接用CUDA 11.8，这个版本对PyTorch 2.0+和TensorFlow 2.12+支持最好。生物信息学常用的工具像RAPIDS、GATK的GPU加速模块，也都兼容这个版本。
第三步：安装
以Ubuntu 20.04为例，我用runfile方式安装，可控性最强：
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_linux.run --silent --toolkit装完配环境变量，加到 ~/.bashrc：
export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH然后 source ~/.bashrc，用 nvcc -V 验证：
nvcc -V
# 输出示例：
# nvcc: NVIDIA (R) Cuda compiler driver
# Cuda compilation tools, release 11.8, V11.8.89update-alternatives 管理软链接，我项目里经常要同时维护CUDA 11.8和12.0两套环境，这个办法很省心。
cuDNN配置——给CNN装上涡轮
cuDNN是NVIDIA专门为深度学习优化的底层库。基因组注释里如果用到了卷积神经网络（比如DeepSEA、Basset这类模型），cuDNN能直接把训练速度拉上去2~3倍。
下载与安装
去NVIDIA开发者官网下载cuDNN for CUDA 11.x。注意要注册账号，这一步没法绕开。下下来是一个tar包：
tar -xzvf cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include/
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64/
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h
sudo chmod a+r /usr/local/cuda-11.8/lib64/libcudnn*验证cuDNN是否装成功：
cat /usr/local/cuda-11.8/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
# 输出示例：
# #define CUDNN_MAJOR 8
# #define CUDNN_MINOR 6
# #define CUDNN_PATCHLEVEL 0LD_LIBRARY_PATH，结果cuDNN的so文件没被加载，PyTorch打印出来CUDA版本是11.8，但cuDNN一直是"None"。排查了俩小时才发现是路径权限问题。所以装完一定记得跑一下 ldconfig。
深度学习框架GPU版部署——最后一公里
框架安装其实是最简单的一步，前提是前面CUDA和cuDNN没出幺蛾子。你想想看，如果版本链对了，pip或者conda一行命令就能搞定。
PyTorch GPU版
我个人更推荐PyTorch，因为生物信息学社区里绝大多数GPU加速工具都用它。直接去PyTorch官网选对应配置，或者用这个命令：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118TensorFlow GPU版
如果你要用DeepVariant、NVIDIA Clara这些工具，那得装TensorFlow：
pip install tensorflow==2.12.0验证GPU是否可用，写一小段Python：
import torch
print("PyTorch CUDA available:", torch.cuda.is_available())
print("GPU count:", torch.cuda.device_count())
print("GPU name:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "N/A")
import tensorflow as tf
print("TensorFlow GPU devices:", tf.config.list_physical_devices('GPU'))如果输出里能看到你的显卡型号（比如A100、V100、RTX 3090），那恭喜，环境成了。
版本兼容性速查表
这是我从多个项目里总结出来的版本搭配，直接照着配就行：
| 组件 | 推荐版本 | 验证命令 | 常见坑 |
|---|---|---|---|
| GPU驱动 | ≥ 520.61.05 | nvidia-smi |
驱动太旧→无法安装CUDA 11.x |
| CUDA Toolkit | 11.8.0 | nvcc -V |
PATH没配好→nvcc找不到 |
| cuDNN | 8.6.0 for CUDA 11.x | cat cudnn_version.h |
so文件权限→框架检测不到cuDNN |
| PyTorch | 2.0.1+cu118 | torch.cuda.is_available() |
安装cpu版本→白装 |
| TensorFlow | 2.12.0 | tf.config.list_physical_devices('GPU') |
CUDA/cuDNN不匹配→ImportError |
一键验证脚本
我习惯在装完环境后，跑一个完整的检测脚本，把所有关键信息都打出来。这样后续出问题，一眼就能定位是哪一层断了：
#!/bin/bash
echo "=== GPU Driver ==="
nvidia-smi --query-gpu=name,driver_version --format=csv,noheader
echo ""
echo "=== CUDA Version ==="
nvcc -V | grep "release"
echo ""
echo "=== cuDNN Version ==="
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
echo ""
echo "=== PyTorch ==="
python3 -c "import torch; print('CUDA:', torch.cuda.is_available(), '| Count:', torch.cuda.device_count(), '| Name:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A')"
echo ""
echo "=== TensorFlow ==="
python3 -c "import tensorflow as tf; print('GPU:', tf.config.list_physical_devices('GPU'))"把这脚本保存成 check_gpu_env.sh，每次换机器或者更新驱动后跑一下，三秒钟就知道环境有没有问题。
环境搭好之后，下一件事就是让GPU真正跑起来。接下来的章节，我们会用手上的这套环境，开始对基因组数据进行加速处理——从FASTQ读取到特征矩阵构建，每一步我都会给出实测可用的代码。