深度学习环境搭建之二_安装Nvidai显卡驱动、CUDA、cuDNN、pytorch

搭建深度学习环境，需要安装：Nvidia显卡驱动、CUDA、cuDNN，三个组件。

一 安装驱动

安装驱动：
步骤详细：https://www.jianshu.com/p/c2212b89f7b6
条理清晰：https://blog.csdn.net/u012759136/article/details/53355781
解决Bug：https://blog.csdn.net/ysy950803/article/details/78507892

安装驱动分三步（事先下载好显卡驱动run文件）：

1. 卸载原有驱动；
2. 禁用第三方显卡驱动nouveau，并关闭显示服务；
3. 进入非图形终端安装驱动；

具体过程见链接教程，建议所有教程看一遍后再动手。

二 安装CUDA

安装CUDA：
https://www.jianshu.com/p/c2212b89f7b6

按照链接教程易安装。

三 安装cuDNN

安装cuDNN：基本上是按照官方教程
https://zhuanlan.zhihu.com/p/106708516
https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#axzz4qYJp45J2

cuDNN的下载需要注册Nvidia账号，按照链接教程易安装。
注意：
不管是上面完整安装三个部分的教程，还算这里安装cuddn的教程，里面都有验证cudnn安装成功的步骤。本人实际安装过程中，两种验证方式都失败了，但是在pytorch中仍然能正常使用。网上教程，pytorch中验证cuda、cudnn是否安装成功、版本信息方式如下：
https://blog.csdn.net/bat67/article/details/84065261
https://blog.csdn.net/RufyHuang/article/details/106572460
https://blog.csdn.net/weixin_39916758/article/details/111512561

四 安装pytorch

https://pytorch.org/

pytorch分CPU、GPU版本，根据上面的链接可获得与cuda版本匹配的GPU版pytorch的下载链接，然后通过pip安装。

pip show torch

可查看下载的torch的信息，判断是不是GPU版本

五 问题

5.1 nvidia-smi错误

之前使用nvidia-smi命令能够成功显示显存的使用情况，但是最近就不行了。
由于ubuntu内核升级导致，开机时可选旧版内核。

https://blog.csdn.net/qq_39742013/article/details/87932189

上面这种解决方式，每次开机时要选择内核版本，很麻烦。下面这种方式更好。

https://www.jianshu.com/p/3cedce05a481

5.2

Found GPU0 TITAN V which requires CUDA_VERSION ＞= 9000 for optimal
performance and fast startup time

torch的选择还涉及和cuda版本匹配的问题，选择由哪个版本cuda编译的pytorch，官网torch下载选择中已经有这个选项了。

RuntimeError: CUDNN_STATUS_EXECUTION_FAILED

https://blog.csdn.net/qq_39938666/article/details/86611474
https://www.cnblogs.com/naive-LR/p/14256624.html

一个可行的组合：驱动460+cuda11.2+python3.7+torch(1.3.0+cu100)

下面这个链接是torch官网提供的链接，可以看看有哪些版本可选

https://download.pytorch.org/whl/torch_stable.html

pip install torch==1.8.0+cu111  -f https://download.pytorch.org/whl/torch_stable.html

根据上面网页选择，torch==1.8.0+cu111的版本和编译用的cuda版本。

5.3 torch加载模型

https://blog.csdn.net/qq_40250862/article/details/103628164

当存储和加载时使用的pytorch版本不同，可能发生“has no attribute XXX”的异常。一种方式是重装本地的torch，和存储时使用的版本一致；一种是这里的方法，直接修改torch源码。