1. 换源
国内用户建议改为国内源，比如为清华源、阿里源等。
更改后在终端运行：
$: sudo apt update
2. 终端运行命令直接安装显卡驱动
运行：
$: ubuntu-drivers devices
此处ubuntu自己检测n卡的可选驱动（看到了万恶的nouveau）。
运行：
$: sudo ubuntu-drivers autoinstall
此处ubuntu自己安装驱动,而且会把cuda一并装好（全体起立！！！），装好之后重启。
重启后使用nvidia-smi显示显卡状态,可以看到Driver VERSION和CUDA VERSION，此处这个cuda版本指的是目前能兼容的最高版本。
注意,用这种方式安装驱动后，不用特意去禁用nouveau，官方的2个余G的.run文件也不用再去下载。
3. 安装Anaconda
如果觉得Anaconda占用较大，可以选择miniconda。
miniconda清华源
4. 利用conda创建环境
ubuntu系统默认就有python2和python3环境，但是我们不采用系统的环境，而是自己新建环境以防止和其他项目环境冲突。
在创建环境之前，我们先要初始化刚刚安装好的miniconda,我们运行：
$: conda init
conda创建环境的语法是：
$: conda create -n 环境名 python=x.x.x
我们需要给自己的新环境起一个名字。此后我们每次进入终端的时候，会默认进入conda的默认环境（base），我们需要切换至自己建立的环境。
$: conda activate 环境名
此后每当我们运行：
conda install 依赖名
就是在当前环境下安装相应的依赖。
5. 避免自己配置cudann的繁琐操作，我们直接用conda命令进行极简安装。
刚才我们用conda创建了一个环境，接下来我们根据PyTorch官网的提示选择带有cuda的pytorch。
PyTorchhttps://pytorch.org/get-started/locally/https://pytorch.org/get-started/locally/https://pytorch.org/get-started/locally/
按照官网的提示选择自己需要的版本，然后运行命令，比如我的就是：
$: conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
如果官方提供的版本号与nvidia-smi显示的不同，没有关系，因为cuda在大版本上可以向下兼容，比如我的nvidia-smi显示CUDA VERSION是11.6，则理论上低于11.6的11.x都可以兼容，各位按照自己的情况复制命令安装即可。
6. 验证是否安装成功
在建立好的环境中进入python命令行，输入：
>>>import torch
>>>torch.cuda.is_available()
若此时输出True,则完成了对显卡的支持。
接下来就可以使用深度学习环境了～
