4. 软件依赖：CUDA Toolkit、cuDNN、Python 环境配置

说实话，InterProScan 本身跑得挺慢的，尤其数据量上来后。我最初在项目里试过一次，跑全库扫描等了整整两天——那感觉，真的崩溃。后来才发现，GPU 加速是唯一的出路。但要让 InterProScan 用上 GPU，你得先把这几样东西伺候好：CUDA Toolkit、cuDNN，还有 Python 环境。

别急，这三样看起来多，其实顺序捋顺了，半小时就能搭好。我按自己的习惯，把它拆成三步走。

InterProScan GPU 加速依赖安装流程 CUDA Toolkit cuDNN Python / Conda nvidia-smi → GPU 驱动版本检查 系统级安装 (.run/.deb) 匹配 CUDA 版本 conda 环境隔离 验证：nvcc + python -c "import torch; print(torch.cuda.is_available())" 注意：先确认 GPU 驱动 ≥ 450.80.02，否则 CUDA 11.x 会罢工。

4.1 CUDA Toolkit——不管你怎么想，都得先装它

CUDA Toolkit 是 GPU 加速的基石。InterProScan 后端调用的很多数据库算法（比如 HMMER3 的 GPU 版）都依赖 CUDA。我个人习惯用 CUDA 11.7，因为目前主流深度学习框架对它的支持最稳定。你要是急着用，也可以上 12.x，但记得检查后续 cuDNN 和 PyTorch 的兼容性。

安装方式我推荐用 .run 文件，而不是系统包管理器。为什么？因为你可以把多个 CUDA 版本装在同一台机器上，随时切换。我在项目里经常需要同时跑 CUDA 10.2（老项目）和 11.7（新项目），用 .run 安装后，改个环境变量就行。

# 下载 CUDA 11.7.0（官网：developer.nvidia.com/cuda-toolkit-archive）
wget https://developer.download.nvidia.com/compute/cuda/11.7.0/local_installers/cuda_11.7.0_515.43.04_linux.run
sudo sh cuda_11.7.0_515.43.04_linux.run --toolkit --silent --override

重点：安装时 不要勾选驱动！驱动请提前装好（用 nvidia-smi 确认版本 ≥ 450.80.02）。安装完成后，把 CUDA 加入 PATH 和 LD_LIBRARY_PATH：

echo 'export PATH=/usr/local/cuda-11.7/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc
# 验证
nvcc --version

我遇到过最坑的情况：装完 CUDA 12.1 后用 nvcc -V 显示正常，但 InterProScan 编译时总报找不到 cuda_runtime.h。后来发现是 LD_LIBRARY_PATH 没加上 lib64 路径。你想想看，这不就浪费了半天排查。

4.2 cuDNN——深度学习加速的钥匙

cuDNN 是 NVIDIA 的深度神经网络加速库，InterProScan 的 GPU 模式（尤其是用深度学习模型做蛋白质结构域预测时）会用到它。cuDNN 不是开源的，需要从 NVIDIA 官网注册下载。不过别慌，注册免费。

安装 cuDNN 其实就是解压然后把文件复制到 CUDA 目录下。确保版本匹配——cuDNN 8.6.0 是针对 CUDA 11.x 的。

# 假设下载了 cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz
tar -xvf cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz
cd cudnn-linux-x86_64-8.6.0.163_cuda11-archive
sudo cp include/cudnn*.h /usr/local/cuda-11.7/include/
sudo cp lib/libcudnn* /usr/local/cuda-11.7/lib64/
sudo chmod a+r /usr/local/cuda-11.7/include/cudnn*.h /usr/local/cuda-11.7/lib64/libcudnn*

验证一下：

cat /usr/local/cuda-11.7/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
# 应该输出类似
# #define CUDNN_MAJOR 8
# #define CUDNN_MINOR 6
# #define CUDNN_PATCHLEVEL 0
我曾经吃过的大亏： 项目里同事把 cuDNN 8.2 和 CUDA 12.0 混装，结果 PyTorch 训练时一直报 cuDNN 版本不兼容。后来我查官方文档才发现，cuDNN 版本号前两位必须匹配 CUDA 的大版本。比如 CUDA 11.x 只能用 cuDNN 8.x，CUDA 12.x 只能用 cuDNN 9.x。所以装之前一定看清楚了。

4.3 Python 环境——用 conda 隔离最省心

InterProScan 的 Python 接口（比如 pyinterpro）以及一些辅助脚本都需要 Python 3.8+。我建议用 conda 管理环境，而不是系统 Python。原因很简单：InterProScan 依赖了一堆 C 扩展库（如 numpy、biopython），用 conda 安装二进制包，不用自己编译，省了很多麻烦。

安装 miniconda，然后创建专属环境：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b -p ~/miniconda3
~/miniconda3/bin/conda init
# 重启终端后
conda create -n interpro-gpu python=3.10 -y
conda activate interpro-gpu

激活环境后，安装必需的基础库：

conda install -c conda-forge numpy scipy biopython pandas -y
pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 --extra-index-url https://download.pytorch.org/whl/cu117

注意这里 PyTorch 的 CUDA 版本必须与前面装的 CUDA Toolkit 一致。我自己习惯同时装 cudatoolkit conda 包（用于编译），但怕冲突的话，直接用 pip 安装 PyTorch 预编译的 CUDA 版更保险。

一个小技巧： 如果你在公司内网，下载慢，可以用 conda install -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ 换国内镜像。但要小心 PyTorch 的 CUDA 版本可能与镜像源不对应，这时候用 pip + 官方index-url 更靠谱。

4.4 环境验证：一条命令检查所有

装完了总觉得心里没底？我每次装完都会跑一个“三合一”验证脚本：

python -c "
import torch
import numpy as np
import sys

# 检查 CUDA
print('CUDA 可用：', torch.cuda.is_available())
print('CUDA 版本：', torch.version.cuda)
print('cuDNN 版本：', torch.backends.cudnn.version())

# 简单张量测试
x = torch.randn(3,3).cuda()
y = torch.randn(3,3).cuda()
z = x @ y
print('GPU 矩阵乘法成功，结果 shape:', z.shape)

# 检查 Python 版本
print('Python 版本：', sys.version)
"

如果输出像下面这样，那就是绿灯：

CUDA 可用： True
CUDA 版本： 11.7
cuDNN 版本： 8600
GPU 矩阵乘法成功，结果 shape: torch.Size([3, 3])
Python 版本： 3.10.12 (main, Jul 25 2023, 10:50:34) [GCC 11.4.0]

要是 torch.cuda.is_available() 返回 False，嗯，我建议先查驱动。跑 nvidia-smi 看看有没有显示 GPU，再确认 nvcc --version 与 PyTorch 报告的 CUDA 版本是否一致。我遇到最搞笑的一次：电脑插了两张显卡，一张是 NVIDIA，一张是 AMD 的……PyTorch 只能找 NVIDIA 的，结果我忘了禁掉 AMD 卡，驱动冲突导致认不出。后来把 AMD 卡拔了，一切正常。

4.5 避坑清单（我踩过的雷，你别再踩）

坑点 现象 解决方案
CUDA 和 PyTorch 版本不匹配 torch.cuda.is_available() 返回 False 重新安装匹配版本的 PyTorch（用 pip 指定 cu117 等后缀）
缺少 libcudnn.so InterProScan 启动时报动态链接错误 复制 cuDNN 库到 /usr/local/cuda/lib64 并更新 ldconfig
conda 环境中安装了不同 CUDA 版本的 PyTorch 运行时段错误（Segmentation fault） 用 conda remove pytorch torchvision 清除，再用 pip 重装
系统 Python 和 conda 环境混淆 pip 装包后提示 “not found” 始终 conda activate 后再操作，用 which python 确认路径

我个人经历中最头疼的一次，是装好环境后 InterProScan 一直在 CPU 上跑，GPU 利用率始终是 0%。折腾了半天才发现，是 InterProScan 的配置文件中 gpu_mode 没设为 true。嗯，这种低级错误，希望你们不会犯。

4.6 小结

到这一步，你的机器已经具备了 GPU 加速的全部土壤。CUDA Toolkit 提供了底层驱动和编译器，cuDNN 提供了深度学习加速原语，Python 环境（conda + PyTorch）是上层应用的容器。这三者配合好，InterProScan 的 GPU 加速才能跑起来。

顺便说一句，我习惯把这套环境写在 environment.yml 文件里，方便下次在新机器一键重建：

name: interpro-gpu
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.10
  - numpy
  - scipy
  - biopython
  - pandas
  - pip
  - pip:
    - torch==1.13.1+cu117 --extra-index-url https://download.pytorch.org/whl/cu117
    - torchvision==0.14.1+cu117 --extra-index-url https://download.pytorch.org/whl/cu117

用 conda env create -f environment.yml 就能重建，省心。

← 上一章 📖 返回目录 下一章 →