Linux 下 Mamba 环境安装踩坑问题汇总（重置版）
导航
安装教程导航
Mamba 及 Vim 安装问题参看本人博客：Mamba 环境安装踩坑问题汇总及解决方法（初版）- Linux 下 Mamba 安装问题参看本人博客：Mamba 环境安装踩坑问题汇总及解决方法（重置版）
- Windows 下 Mamba 的安装参看本人博客：Window 下Mamba 环境安装踩坑问题汇总及解决方法 （无需绕过selective_scan_cuda）
- Linux 下 Vim 安装问题参看本人博客：Linux 下 Vim 环境安装踩坑问题汇总及解决方法（重置版）
- Windows 下 Vim 安装问题参看本人博客：Window 下 Vim 环境安装踩坑问题汇总及解决方法
- Linux 下Vmamba 安装教程参看本人博客：Vmamba 安装教程（无需更改base环境中的cuda版本）
- Windows 下 VMamba的安装参看本人博客：Windows 下 VMamba 安装教程（无需更改base环境中的cuda版本且可加速）
- Windows下 Mamba2及高版本 causal_conv1d 安装参考本人博客：Windows 下Mamba2 环境安装问题记录及解决方法（causal_conv1d=1.4.0）
- Windows 下 Mamba / Vim / Vmamba 环境安装终极版参考本人博客：Windows 下Mamba2 / Vim / Vmamba 环境安装问题记录及解决方法终极版（无需绕过triton）
- （GPU算力12.0版本）Windows 下 Mamba / Vim / Vmamba 环境配置教程 参考本人博客：Windows 下 Mamba / Vim / Vmamba 环境配置安装教程（适用于5070,5080,5070Ti等GTX 50系显卡）
安装教程及安装包索引
不知道如何入手请先阅读新手索引：Linux / Windows 下 Mamba / Vim / Vmamba 安装教程及安装包索引
本系列教程已接入ima知识库，欢迎在ima小程序里进行提问！（如问题无法解决，安装问题 / 资源售后 / 论文合作想法请+文末或个人简介vx）
目录
- 导航
- 安装教程导航
- 安装教程及安装包索引
- 前言
- 问题描述
- 原因分析：
- Linux下解决方法
- 1. 利用Docker
- 2. 从源码编译
- 3. 利用官方的 whl 文件
- 出现的问题
- 1. CDUA版本不识别
- 2. pip install 之后卡住不动
- 3. 安装后调用时出现`xxx-linux-gnu.so undefined symbol`报错
- 4. 出现 `incompatible function arguments`
- 5. 出现 `unexpected keyword argument 'bimamba_type'`
- 6. 出现 `cannot import name 'packaging' `
- 7. 出现 `no kernel image is available`
前言
由于本人第一篇博客Mamba 环境安装踩坑问题汇总及解决方法（初版） Linux和Windows的问题夹杂，不易查询，重新整理在Linux下所有安装过程中可能出现的问题。
问题描述
直接 pip 安装或者下载工程文件再setup，出现了以下报错但不限于：
Building wheel for causal-conv1d (setup.py) ... errorerror: command '/usr/bin/gcc' failed with exit code 1RuntimeError: Error compiling objects for extensionERROR: Could not build wheels for causal-conv1d, which is required to install pyproject.toml-based projectsConnection timed out> [end of output]ModuleNotFoundError: No module named 'packaging'FileNotFoundError: [Errno 2] No such file or directory: '/usr/local/cuda/bin/nvcc'error: subprocess-exited-with-error
原因分析：
大部分原因是CUDA版本不匹配，有部分是网络原因。
Linux下解决方法
1. 利用Docker
使用网友配置好的Docker环境，参考：解决causal_conv1d和mamba_ssm无法安装 -＞ 直接使用Mamba基础环境docker镜像。
DockHub仓库地址：https://hub.docker.com/repository/docker/kom4cr0/cuda11.7-pytorch1.13-mamba1.1.1/general
代码：docker pull kom4cr0/cuda11.7-pytorch1.13-mamba1.1.1:1.1.1
2. 从源码编译
直接下载工程文件，再setup。参考步骤为：
git clone https://github.com/Dao-AILab/causal-conv1d.git
cd causal-conv1d
git checkout v1.1.1 # 用你想要的版本
CAUSAL_CONV1D_FORCE_BUILD=TRUE pip install .
cd ..
git clone https://github.com/state-spaces/mamba.git
cd mamba
git checkout v1.1.1 # 用你想要的版本
pip install . # 方式一，下载whl安装，两种方式选择一个即可
MAMBA_FORCE_BUILD=TRUE pip install . # 方式二，强制在本地编译安装，Win 下无法识别此命令
从源码编译经常容易出现错误，大部分都是 CUDA C++ 相关的问题，不同的设备环境不一样，报错也是千差万别，具体解决方法可以类似 Vmamba 安装教程（无需更改base环境中的cuda版本）。
3. 利用官方的 whl 文件
受博文 “flash-attention踩坑：使用conda管理CUDA”启发，合理调整安装顺序，先安装CUDA，并且安装cuda-nvcc，正确的安装步骤如下：
conda create -n your_env_name python=3.10.13
conda activate your_env_name
conda install cudatoolkit==11.8 -c nvidia
# 魔法版
pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu118
# 国内版-上交镜像
pip install torch==2.1.1+cu118 torchvision==0.16.1+cu118 torchaudio==2.1.1+cu118 -f https://mirror.sjtu.edu.cn/pytorch-wheels/torch_stable.html
# 国内版-阿里镜像
pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 -f https://mirrors.aliyun.com/pytorch-wheels/cu118
conda install -c "nvidia/label/cuda-11.8.0" cuda-nvcc
conda install packaging
pip install causal-conv1d==1.1.1 # 版本号根据实际情况选择，或者不指定直接安装最新
pip install mamba-ssm==1.1.3.post1 # 版本号根据实际情况选择，1.1 和 1.2 实测有函数不兼容，不设定默认装最新版本
一般通过以上步骤即可顺利安装，版本大家自己自由调整，cuda>=11.7。
注意，截止到20250401，官方whl的最高算力仅支持7.0-9.0，GPU 算力12.0（50系列，解决方法见Windows 下 Mamba / Vim / Vmamba 环境配置安装教程（适用于5070,5080,5070Ti等GTX 50系显卡））或者GPU算力 6.0 （1080系列，解决方法见后文no kernel image is available）均没有对应的whl，此时应从源码编译。
出现的问题
1. CDUA版本不识别
不少小伙伴在装完 cuda-nvcc 以后，安装 causal-conv1d 时还是会显示CUDA版本不对的错误，这是由于环境中还可能有CUDA_HOME （Linux）变量指定到错误的位置，此时需要检查：
nvcc -V
python -c "import torch.utils.cpp_extension; print(torch.utils.cpp_extension.CUDA_HOME)"
确保其输出的是正确的版本或位置。尤其是要保证第二句命令输出的位置是正确的。
在 Linux 下，如果第二句命令输出位置是base环境的，使用 which nvcc 获取虚拟环境正确的路径，然后在 .bashrc 里面设置成这个位置 export CUDA_HOME='....' ，source ~/.bashrc 激活配置，然后再继续安装过程。
2. pip install 之后卡住不动
在Linux下卡住不动是因为它在下载对应的 *.whl 文件，需要科学上网，可以等它下载失败输出正确的网址，然后手动下载再pip install 这个 whl 文件。可以直接下载whl安装
在我的配置下面：
causal_conv1d 下载链接为：https://github.com/Dao-AILab/causal-conv1d/releases/download/v1.1.1/causal_conv1d-1.1.1+cu118torch2.1cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
mamba_ssm 下载链接为：https://github.com/state-spaces/mamba/releases/download/v1.1.3.post1/mamba_ssm-1.1.3.post1+cu118torch2.1cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
然后直接 pip install xxxx.whl 进行安装。
3. 安装后调用时出现xxx-linux-gnu.so undefined symbol报错
有的小伙伴报错，譬如 ImportError xxxx selective_scan_cuda.cpython-xxx-linux-gnu.so undefined symbol （可以用编译好的文件直接替换，selective-scan-cuda-linux-gnu.so）或者 ImportError xxxx causal_conv1d_cuda.cpython-xxx-linux-gnu.so undefined symbol （可以用编译好的文件直接替换，causal-conv1d-cuda.cpython-310-x86-64-linux-gnu.so）。
出现 .so undefined symbol 一般是有的因为 CUDA 版本不匹配造成的，参考本博客 20240418更新-关于CDUA版本。譬如在虚拟环境中 which nvcc 调用的是虚拟环境的 cuda，但是 python -c "import torch.utils.cpp_extension; print(torch.utils.cpp_extension.CUDA_HOME)" 输出的位置确是base 环境的 usr/local/cuda。
也有可能在下 whl 时，whl 和环境没匹配上（python 版本，torch版本以及cuda版本），还有譬如 cxx11abiFALSE 和 cxx11abiTRUE 的区别，即 GLIBCXX_USE_CXX11_ABI 的值，挨个检测这些的版本。这里给出获得 GLIBCXX_USE_CXX11_ABI 值的方法 （参考博客：[教程] Linux系统Anaconda平台下基于conda配置Mamba_ssm环境）：
python -c 'import torch; print(torch._C._GLIBCXX_USE_CXX11_ABI); print(torch.compiled_with_cxx11_abi())'
一般情况下，这两个值应该是一致的，如果输出为 TRUE，则应下载
causal_conv1d-1.1.1+cu118torch2.1cxx11abiTRUE-cp310-cp310-linux_x86_64.whl 和
mamba_ssm-1.1.3.post1+cu118torch2.1cxx11abiTRUE-cp310-cp310-linux_x86_64.whl ，
如果输出为 FALSE，则应下载
causal_conv1d-1.1.1+cu118torch2.1cxx11abiFALSE-cp310-cp310-linux_x86_64.whl 和
mamba_ssm-1.1.3.post1+cu118torch2.1cxx11abiFALSE-cp310-cp310-linux_x86_64.whl ，
需要和环境一一对应（版本号大家按自己需要）。
4. 出现 incompatible function arguments
在用 pip install mamba-ssm 安装完 mamba-ssm 发现原来正常运行的代码出现以下报错：
File "/home/xxx/.conda/envs/mamba/lib/python3.10/site-packages/mamba_ssm/ops/selective_scan_interface.py", line 187, in forward
conv1d_out = causal_conv1d_cuda.causal_conv1d_fwd(
TypeError: causal_conv1d_fwd(): incompatible function arguments. The following argument types are supported:
1. (arg0: torch.Tensor, arg1: torch.Tensor, arg2: Optional[torch.Tensor], arg3: Optional[torch.Tensor], arg4: bool) -> torch.Tensor
Invoked with: tensor(
[-4.9056e-40, -4.9057e-40, -4.9074e-40, -4.9078e-40]], device='cuda:0',
requires_grad=True), Parameter containing:
tensor([ 0.0322, -0.1139, 0.0770, ..., -0.0320, -0.1266, -0.1096],
device='cuda:0', requires_grad=True), None, None, None, True
经过检查发现是 mamba-ssm 版本的问题，报错的版本号为 1.2.0.post1，即 pip install mamba-ssm 安装的是最新版本，与之前的函数存在部分不兼容，而之前正常运行版本为 1.1.3.post1。
5. 出现 unexpected keyword argument 'bimamba_type'
有小伙伴在跑 Vision Mamba 时遭遇以下报错（Linux）：
TypeError: Mamba.__init__() got an unexpected keyword argument 'bimamba_type'
因为 Vision Mamba 修改了 Mamba 的源代码，从 Mamba 官方途径安装的包中是没有这个函数的，所以需要先卸载原版Mamba ，再从 Vision Mamba 代码里的Mamba 源码手动安装，而不是从 Mamba 官方途径安装。不过实测也可以直接进行文件替换，用 Vision Mamba 的selective_scan_interface.py 替换 selective_scan_interface.py，替换 causal_conv1d_interface.py 和 mamba_simple.py。
6. 出现 cannot import name 'packaging'
最近有小伙伴在安装时出现以下报错：ImportError: cannot import name 'packaging' from 'pkg_resources，原因是 setuptools 版本太高，一般是70.0.0，需要降级，直接 pip install setuptools==68.2.2 即可。
7. 出现 no kernel image is available
正常安装出现报错：
RuntimeError：CUDA error：no kernel image is available for execution on the device
CUDA kernel errors might be asynchronously reported at some other API call, so ther stacktrace below might be incorrect.
这个问题在本人博客（VMamba 安装教程（无需更改base环境中的cuda版本））已经提到过，是因为GPU算力的问题。causal-conv1d 、 mamba-ssm 以及 vmamba 均暂时不支持算力为6.1及以下的设备，解决方法见这个博客，需要重新从源码进行编译，不能下载官方的whl。
