【DeepLearning】Ubuntu 中深度学习环境配置完整流程

1 显卡驱动

支持 CUDA 的所有显卡型号: Link

1. 查询显卡型号

lspci -nn | grep VGA

即 Vendor ID:Device ID 为 10de:21c4，在浏览器或者 Link 中搜索。

2. 填写显卡信息: Link

3. 选择要下载的版本（可以选个新一点的 ）

4. 运行 .run 文件

sudo sh ./NVIDIA-Linux-x86_64-*.run

5. 测试

nvidia-smi

2 CUDA

参考文档: Link

1. 选择要安装的版本: Link

• 先通过 nvidia-smi 查看驱动支持的 CUDA 最高版本，我的最高版本为 11.8
• 然后在此范围内选择项目中比较常用的 CUDA 版本，只要低于最高版本都可以

2. 查询本机系统信息

uname -m && cat /etc/*release

3. 选择你的平台，下载相应的 .run 文件并运行
   

安装完成后，得到下面的输出信息。

4. 修改 PATH 和 LD_LIBRARY_PATH 变量来设置开发环境

参考文档: Link

vim ~/.bashrc

# 添加以下内容
# >>> cuda >>>
export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
# <<< cuda <<<

5. 测试

nvcc -V

3 cuDNN

3.1 cuDNN 9.0.0 之前版本

1. 安装 Zlib

sudo apt install zlib1g

2. 下载 cuDNN: Link，要注册个帐号

3. 根据安装的 CUDA 版本选择 cuDNN 版本，可以选新一点的

4. 下载压缩包

# 解压下载的文件
tar -xvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz

# 复制到 CUDA 的目录下
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include 
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64 
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

5. 测试（有点麻烦，可以忽略）

sudo apt-get install libcudnn8=${cudnn_version}-1+${cuda_version}
sudo apt-get install libcudnn8-dev=${cudnn_version}-1+${cuda_version}
sudo apt-get install libcudnn8-samples=${cudnn_version}-1+${cuda_version}

${cudnn_version} = 8.x.x.x
${cuda_version} = cuda12.1 or cuda11.8…
Note: 以自己安装的版本为准！

cp -r /usr/src/cudnn_samples_v8/ $HOME
cd  $HOME/cudnn_samples_v8/mnistCUDNN
make clean && make
./mnistCUDNN

如果 cuDNN 正确安装和运行，你会看到类似以下的信息：Test passed!

3.2 cuDNN 9.0.0 之后版本

参考文档: Link

cuDNN 9 可以与之前的 cuDNN 版本共存，如果有旧版本的 cuDNN，安装 cuDNN 9 时不会自动删除旧版本。

之后，如果要在旧版本与新版本之间切换，执行 sudo update-alternatives --config libcudnn 并选择相应的 cuDNN 版本。

1. 选择安装的版本: Link
   

2. 选择你的平台，下载相应的软件包
   

wget https://developer.download.nvidia.com/compute/cudnn/9.2.1/local_installers/cudnn-local-repo-ubuntu2004-9.2.1_1.0-1_amd64.deb
sudo dpkg -i cudnn-local-repo-ubuntu2004-9.2.1_1.0-1_amd64.deb

sudo cp /var/cudnn-local-repo-ubuntu2004-9.2.1/cudnn-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update

3. 安装 cuDNN

• Install for CUDA 11, run:

sudo apt-get -y install cudnn9-cuda-11

• Install for CUDA 12, run:

sudo apt-get -y install cudnn9-cuda-12

3.3 pip 安装 cuDNN 9.0.0 之后版本

参考文档: Link

NVIDIA 提供了通过 pip 安装 cuDNN 的 Python Wheels，但是在 pip 环境之外使用 cuDNN 时，还须配置主机环境。

1. 更新 pip 和 wheel 模块

python3 -m pip install --upgrade pip wheel

2. 安装 cuDNN

• Install for CUDA 11

python3 -m pip install nvidia-cudnn-cu11

若要指定 cuDNN 版本，运行:

python3 -m pip install nvidia-cudnn-cu11==9.x.y.z

• Install for CUDA 12

python3 -m pip install nvidia-cudnn-cu12

若要指定 cuDNN 版本，运行:

python3 -m pip install nvidia-cudnn-cu12==9.x.y.z

4 torch

1. 根据项目需要确定要安装的版本

2. 下载 .whl 文件: Link
   

3. 安装 torch

conda activate xxx
pip install torch-*+cu*-cp*-cp*m-linux_x86_64.whl

4. 测试

python

>>> import torch
>>> torch.cuda.is_available()
True
>>> torch.__version__
'1.11.0+cu113'

5 torchvision

1. 根据 torch 选择对应的 torchvision 版本: Link

2. 下载 .whl 文件: Link
   
3. 安装 torchvision

conda activate xxx
pip install torchvision-*+cu*-cp*-cp*m-linux_x86_64.whl

4. 测试

python

>>> import torchvision
>>> torchvision.__version__
'0.12.0+cu113'