Ubuntu16.04安装NVIDIA驱动_gcc4.8_Anaconda2_cuda9.0_cudnn_caffe_Pytorch_tensorflow_Keras教程

1.gcc降级

由于安装nvidia显卡驱动的时候gcc版本过高会导致不成功，所以在安装驱动之前我们要对gcc进行降级，在这里我用的gcc版本为gcc4.8，其实版本在gcc5.3以下就可以了。

(1)先看看系统用的gcc和g++是什么版本

gcc -v

可以获得的信息如下

 gcc version 5.2.1

(2)如果我们想使用gcc4.8，首先看看有没有安装gcc4.8

ls /usr/bin/gcc*

结果只有/usr/bin/gcc /usr/bin/gcc-4.4两个，那么我们需要安装

sudo apt-get install gcc-4.8 gcc-4.8-multilib g++-4.8 g++-4.8-multilib

(3)安装好后输入以下指令：

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 40
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50

(这里的50和40代表优先级)

接着输入：

sudo update-alternatives --config gcc

要维持当前值[*]请按回车键，或者键入选择的编号：
要想用哪个gcc就输入编号。

再用gcc -v 来看一下版本是否改变了。

gcc -v

(4)同样也要设置一下g++的

sudo update-alternatives –install /usr/bin/g++ g++ /usr/bin/g++-5 50
sudo update-alternatives --install/usr/bin/g++ g++ /usr/bin/g++-4.9 40

如果想删除可选项的话可以键入以下指令：

sudo update-alternatives --remove gcc /usr/bin/gcc-4.9

2.安装Anaconda

anaconda 里面集成了很多关于 python的第三方库，通过anaconda安装会省很多事，不然以后需要自己手动安装一些依赖项，因此在这先将anaconda安装。
(1)下载
下载网址：https://www.anaconda.com/download/#linux

下载自己需要的版本，我选择的版本为：Anaconda2-5.0.1-Linux-x86_64.sh
(2)安装
进入Anaconda2-5.0.1-Linux-x86_64.sh的目录下，执行下列命令进行安装。

sudo ./Anaconda2-5.0.1-Linux-x86_64.sh

输入回车，弹出须知，再一直按Ctrl+F，直到须知结束，输入yes继续。最后选择自己的安装路径，即可完成安装，会在home目录下出现一个anaconda2的文件夹。

(3)查看版本

anaconda -V

3.安装NVIDIA驱动

(1)禁用nouveau驱动和相关的驱动包
用编辑器打开blacklist.conf配置文件

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

在文件的最后一行加入下面的命令，屏蔽有影响的驱动包（有的博客添加了blacklist amd76x_edac，其实不加也是可以安装成功的）

blacklist rivafb
blacklist vga16fb
blacklist nouveau
blacklist nvidiafb
blacklist rivatv

(2)卸载所有安装的nvidia驱动
如果之前没安装过nvidia驱动，可以不执行这条指令，但是执行以下也没关系。

sudo apt-get--purge remove   nvidia-*

卸载完以后，重启。
(3)安装显卡驱动
在http://www.geforce.cn/drivers上下载对应的显卡驱动包，如下图所示。

我选择的是(NVIDIA-Linux-x86_64-390.67.run)（支持大部分显卡，我使用的是GTX 1070）

安装需要的依赖

sudo apt update
sudo apt install dkms build-essential linux-headers-generic

安装驱动包
因为要关闭图形界面，最好手机拍照保存此教程，
首先，Ctrl+Alt+F1进入命令提示符界面
然后，输入对应的username和password进入命令行.
最后，使用指令sudo service lightdm stop关闭图形界面，再利用cd指令进入下载好的驱动目录

sudo chmod 755 NVIDIA-Linux-x86_64-390.67.run  

#修改权限（否则没有访问权限，无法进行指令安装）

sudo ./NVIDIA-Linux-x86_64-390.67.run –no-x-check –no-nouveau-check –no-opengl-files

#安装驱动

#–no-x-check 关闭X服务
#–no-nouveau-check 禁用nouveau
#–no-opengl-files 不安装OpenGL文件

#…安装完成后

sudo update-initramfs -u
sudo reboot 

判断显卡驱动是否安装成功

nvidia-smi       #输入指令查看显卡信息 

4.安装CUDA

(1)进入CUDA9.0官网，下载cuda9.0。
下载以后的.run文件为cuda_9.0.176_384.81_linux.run。
(2)给cuda文件取消权限

sudo chmod 777 cuda_9.0.176_384.81_linux.run

(3)执行安装程序

 sudo sh cuda_9.0.176_384.81_linux.run

(4)配置环境变量

   sudo gedit ~/.bashrc

在文件末尾添加：

   export PATH=/usr/local/cuda-9.0/bin:$PATH
   export LD_LIBRARY_PATH=/usr/local/cuda9.0/lib64:$LD_LIBRARY_PATH

(5)测试cuda，最后输出pass，则为正确安装。

   cd /usr/local/cuda-9.0/samples/1_Utilities/deviceQuery
   sudo make
   sudo ./deviceQuery

5.安装cuDNN

(1)把cudnn压缩包下载下来后，按照如下步骤安装即可：(版本为cuDNN7.4.1)网址：https://developer.nvidia.com/rdp/cudnn-download（需要注册一下账号）

(2)删除原来的cudnn系统路径下的一些文件

sudo rm -rf /usr/local/cuda/include/cudnn.h
sudo rm -rf /usr/local/cuda/lib64/libcudnn*    

#这里是通配符，libcudnn指的是名字中带有libcudnn的所有文件

(3)安装刚才解压的cudnn版本，在终端cd到刚解压的cuda文件夹，然后继续输入下面两个指令，这两个指令相当于把解压后的cuda文件夹下的一些文件拷到系统路径下面

sudo cp include/cudnn.h /usr/local/cuda/include/
sudo cp lib64/lib* /usr/local/cuda/lib64/    

#这里是通配符，lib指的是名字中带有lib的所有文件

(4)在系统路径下建立软链接（解压出来的lib64下面有3个so文件。分别是libcudnn.so 和 libcudnn.so.7以及 libcudnn.so.7.4.1文件。并且这3个点so文件大小都一样。其实都是软连接！libcudnn.so链接到libcudnn.so.7，而libcudnn.so.7.又链接到libcudnn.so.7.4.1。 真正的文件只有libcudnn.so.7.4.1）

cd /usr/local/cuda/lib64
sudo chmod +r libcudnn.so.7.4.1
sudo ln -sf libcudnn.so.7.4.1 libcudnn.so.7
sudo ln -sf libcudnn.so.7 libcudnn.so

接下来设置环境变量：

sudo gedit /etc/profile

在打开的文件中加入如下两句话

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

保存后，使环境变量立即生效，

source /etc/profile

6.安装caffe

(1)首先安装一般依赖项

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler

sudo apt-get install --no-install-recommends libboost-all-dev

(2)再安装BLAS依赖项

sudo apt-get install libatlas-base-dev

(3)下载caffe的github包，解压为caffe文件夹，然后进入到源码目录

cd caffe

(4)编译Caffe

cp Makefile.config.example Makefile.config

注意：Makefile和Makefile.config文件需要修改的地方：

1）Makefile
2) Makefile.config

需要使用cuDNN的朋友可以将Makefile.config中USE_CUDNN := 1这一行之前的#号注释去掉
用到了opencv，记得打开opencv并选择opencv的版本
同时，为了匹配cuda9.0的计算能力，把Makefile.config中CUDA_ARCH中的前两行去掉，如下图所示(保留也行，编译的时候会弹出警告)
将INCLUDE_DIRS和LIBRARY的地址改为以下地址。

(9)最后编译

make all -j8

(如果在编译过程中有错误，可以先make clean，然后make all –j8)
最后再测试一下：

make test

7.安装Pytorch

(1)下载PyTorch
由于直接用指令下载存在网络问题，所以我选择手动下载安装。首先下载所需版本PyTorch。在PyTorch主页上点击“Click here for previous versions of PyTorch”，如图右下角所示。地址：https://pytorch.org/get-started/previous-versions/

找到所需版本，如上图所示，下载torch-0.4.0-cp35-cp35m-linux_x86_64.whl。其中，0.4.0表示PyTorch版本，cp35表示支持Python3.5，cuda90表示支持GPU版本，电脑有GPU的话须选择该项。

(2)安装PyTorch

进入PyTorch的下载目录，使用pip3命令安装：

pip3 install torch-0.4.0-cp35-cp35m-linux_x86_64.whl

(3)安装torchvision
安装torchvision比较简单，可直接使用pip3命令安装：

pip3 install torchvision

至此，pytorch和torchvision已安装完毕。
(4)更新numpy
安装成功pytorch和torchvision后，输入：

python3
  >>>import torch

可能会出现报错的情况，如下所示：

ImportError: numpy.core.multiarray failed to import

这是因为numpy的版本需要更新，直接使用pip更新numpy：

pip3 install numpy

至此，PyTorch安装成功：
最后验证GPU也可以用。

8.安装tensorflow

(1)装python对应版本的pip和依赖包
若python版本为2.7，则输入如下命令：

sudo apt-get install python-pip python-dev

若python版本为3.x，则输入如下命令：

sudo apt-get install python3-pip python3-dev

(2)升级pip版本
在装tensorflow之前，不管是不是最新的pip版本，都要更新一下，具体命令如下：
python 2.7版本：

sudo pip install --upgrade pip

python 3.x版本：

sudo pip3 install --upgrade pip

(3)安装TensorFlow
TensorFlow可以安装CPU和GPU两种版本，

CPU版本安装命令如下：
python 2.7版本：

sudo pip install tensorflow

python 3.x版本：

sudo pip3 install tensorflow

GPU版本安装命令如下：
python 2.7版本：

sudo pip install tensorflow-gpu

python 3.x版本：

sudo pip3 install tensorflow-gpu

(4)测试安装结果
进入python编译环境，导入TensorFlow，做一个简单的加法运算。

9.安装Keras

sudo pip3 install tensorflow-gpu         # GPU加速版
sudo pip3 install keras

在终端中验证是否安装成功：

python3
>>>import tensorflow
>>>import keras

如果不报错，即配置成功！
注：pdf版本的教程下载地址：https://github.com/EdwardBao1006/deeplearning_configure