ubuntu18.04 &&NVIDIA装机 ＆＆pytorch 开发环境安装指南

写下此文章目的是以后在装机的时候直接来参考，不用到处找命令

一： 安装ubuntu18.04 桌面版本 带GPU

  装机的时候要显示屏要接到主板的视频输出口，装完系统，把显示屏接到显卡输出口，因为系统一般会自带nouveau驱动。这个时候要把ｓｓｈ，ｓａｍｂａ，静态ｉｐ配好

　其中在装机过程中，选择清楚整个磁盘并安装ｕｂｕｎｔｕ　，如果要自定义分区，选择其他选项

 然后就会让你重新划分磁盘，有几个区是必须要有的

• ｅｆｉ　分区。大约１Ｇ，类型逻辑分区
• ｓｗａｐ　分区，看自己硬盘大小，推荐１Ｇ以上
• ／　　分区　　类型：主分区

　逻辑分区和主分区区别：主分区是硬盘的启动分区，也是硬盘的第一个分区，剩下的叫扩展分区，扩展分区就分逻辑分区，也就是系统开机时候只认识主分区

　ｂｏｏｔ　ｌｏａｄｅｒ　ｄｅｖｉｃｅ　选择　ＥＦＩ分区

   安装过程中不要插网线，会减少安装时间（插了网线会自动下载一些乱七八糟的软件等）

   这样安装完后，会把ＵＥＦＩ，安装在efi分区（/boot/efi），开机后由grub找到第一个分区，加载系统并启动。

  说明：从2011 以后笔记本和台式机都支持UEFI安装模式了，可以在boot mode 中设置

   1 进入系统，首先要设置ip

  如果是桌面版，设置如下

 

 此时的网络有Networkmanager 管理，具体可以查看/etc/netplan 下的文件

如果是服务器或者没有GUI,可以同过netplan 设置由networkd管理（从17.10开始替换了/etc/network/interface）

Netplan currently supports two renderers NetworkManager and Systemd-networkd. NetworkManager is mostly used on Desktop machines while the Systemd-networkd is used on servers without a GUI.

使用 ip link 查看以太网接口名称

编辑  /etc/netplan/ 下的配置文件

network:
  version: 2
  renderer: networkd
  ethernets:
    ens3:
      dhcp4: no
      addresses:
        - 192.168.121.199/24
      gateway4: 192.168.121.1
      nameservers:
          addresses: [8.8.8.8, 1.1.1.1]

# netplan apply

　2　ｓｓｈ　安装

apt-get install openssh-server

　查看是都启动

ps -e|grep ssh

etc/init.d/ssh start

 3　ｓａｍｂａ　安装

  sudo apt-get install samba samba-common
  修改 配置文件/etc /samba/smb.conf
 【share】

  comment=this is my share
  path=/home/liwx/share
  valid users = liwx
  writable=yes

  chmod 777 /hom/liwx/share

然后看下 这个share 这个目录的所属用户
使用 smbpasswd -a liwx  # 把用户加入到smb 中 设置密码

/etc/init.d/smbd restart 
 

\\ip\share

二： 安装nvidia driver && cuda&& cudnn

首先要禁用到nouveau,在装完ssh和samba后，及时黑屏也可以终端安装

lsmod | grep nouveau  #r如果无输出代表禁用成功

sudo gedit /etc/modprobe.d/blacklist.conf
添加

blacklist nouveau
options nouveau modeset=0


重启
验证
#####上面方法还不行的话

find / -name nouveau*

把ko文件重命名

 下载好驱动run 文件，并执行安装，安装日志在 var/log/

安装cuda 配置如下： 下载链接：CUDA Toolkit Archive | NVIDIA Developer

 

#以下命令我是用root用户编辑的
vim ~/.bashrc
LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-10.1/lib64
 
PATH=$PATH:/usr/local/cuda-10.1/bin
 
CUDA_HOME=$CUDA_HOME:/usr/local/cuda-10.1

 也可以把 /usr/local/cuda/lib64 添加到 /etc/ld.so.conf 文件末尾 ，然后ldconfig 在执行 ldconfig -v 查看下

安装cudnn    下载链接 ： cuDNN Archive | NVIDIA Developer

#如果安装过cuda 并创建过链接
cp cuda/include/* /usr/local/cuda-10.1/include/
 
cp cuda/lib64/libcudnn* /usr/local/cuda-10.1/lib64/
 
chmod a+r /usr/local/cuda-10.1/include/cudnn.h
 
chmod a+r /usr/local/cuda-10.1/lib64/libcudnn*
 
查看cudnn版本信息：
 
cat /usr/local/cuda-10.1/include/cudnn.h | grep CUDNN_MAJOR -A 2
 
出现版本信息则安装成功
 
#define CUDNN_MAJOR 7
 
#define CUDNN_MINOR 6
 
#define CUDNN_PATCHLEVEL 5

在接下来就是pip install 下载好的pytorch torchvision

三 安装python opencv 等

1. python3

    

apt install software-properties-common

add-apt-repository ppa:deadsnakes/ppa

apt update

sudo apt install python3.8

pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

 2 opencv

apt install python3-opencv

在Ubuntu系统中创建新用户，并为该用户配置CUDA和Anaconda环境需要执行多个步骤。下面是一份简明的指南。

1. 创建新用户

在终端中使用下面的命令创建新用户（例如，用户名为newuser）：

bashCopy code

sudo adduser newuser

按照提示设置密码和其他信息。

2. 添加用户到sudo组（可选）

如果你想让这个新用户有sudo权限，执行以下命令：

bashCopy code

sudo usermod -aG sudo newuser

3. 切换到新用户

使用下面的命令切换到新用户：

bashCopy code

su - newuser

或者重新登录为这个新用户。

4. 安装CUDA

首先，确保系统的GPU驱动已经安装。然后从NVIDIA CUDA下载页面下载合适的CUDA版本。按照下载页面上的说明进行安装。

5. 配置环境变量

为了使用CUDA，一些环境变量需要被设置。在用户的.bashrc（或你选择的shell的配置文件）添加下面的行：

bashCopy code

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

然后运行：

bashCopy code

source ~/.bashrc

6. 安装Anaconda

参考上一个问题中的Anaconda安装步骤。注意，由于你是作为新用户进行操作，因此无需使用sudo。

7. 创建具有CUDA支持的Anaconda环境

创建一个新的conda环境并安装必要的包。例如，要安装支持CUDA的TensorFlow，你可以这样做：

bashCopy code

conda create -n myenv python=3.8 conda activate myenv conda install tensorflow-gpu

现在，新用户newuser应该有一个配置好的CUDA和Anaconda环境。

注意

• CUDA和Anaconda的安装和配置可能因版本或硬件而异。这里的指南可能需要根据具体情况进行调整。
• CUDA通常需要特定版本的GPU驱动，确保你安装了兼容的版本。
• 对于多用户系统，一般来说，CUDA的安装是全局的，但Anaconda可以为每个用户单独配置。

这样，你就完成了新用户的创建和环境配置。现在，该用户可以独立地运行支持CUDA的程序和使用Anaconda进行Python开发。