从零开始安装双系统Ubuntu18.04、CUDA、cuDNN、TensorFlow-GPU

目录

0 写在开头

1 安装双系统——Ubuntu18.04

1.1 制作Ubuntu18.04的启动U盘

1.2 创建磁盘分区

1.3 安装Ubuntu

3 安装NVIDIA显卡驱动

4 安装CUDA

4.1 手动进行降级

4.2 安装CUDA及其补丁

4.3 测试CUDA是否安装成功

5 安装cuDNN

5.1 下载

5.2 复制cuDNN内容到CUDA相关文件夹内

6 安装TensorFlow-GPU

6.1 安装

6.2 测试安装是否成功

---

0 写在开头

在训练神经网络模型时，GPU运算能显著地提高运算速度。TensorFlow等许多深度学习框架可以支持在NVIDIA公司的显卡上进行加速运算，但目前不支持AMD公司的显卡。

需要提醒的是，并不是NVIDIA公司的所有显卡都能支持CUDA、TensorFlow-GPU运算。只有当电脑上NVIDIA显卡的性能满足要求时，才可以支持CUDA。参考NVIDIA官网：https://developer.nvidia.com/cuda-gpus

并且，只有当电脑上显卡的Compute Capability大于等于3.0时，才能支持TensorFlow-GPU。否则，即使成功地安装了CUDA，也不能使用GPU加速TensorFlow的运算。

1 安装双系统——Ubuntu18.04

安装双系统是指，原先的电脑已经安装了一个操作系统，比如Windows7、Windows10等操作系统，然后再重新安装一个操作系统。在安装的时候，两个系统是分别装在不同的分区内，后安装的系统不会覆盖前一个系统。而且每个单独的系统都有自己的分区格式，不会造成冲突的。安装了双系统后，在启动的时候，有一个多重启动的选择菜单，可以选择进入那个操作系统。当前状态下，只有一个系统是在运行的，不能随意的切换。如果想要进入另外一个，就要重新启动，重新选择。

本文介绍的是如何在Windows7或者Windows10的电脑上安装Linux操作系统之Ubuntu18.04。需要注意的是，如果对安装操作系统、磁盘分区等操作不熟悉，建议在执行以下操作前备份电脑中的数据。

1.1 制作Ubuntu18.04的启动U盘

在Ubuntu的官网上下载18.04，下载地址为：http://releases.ubuntu.com/18.04/

使用UltraISO软件，制作启动U盘。首先需要准备一个空白的或者备份过的U盘，U盘大小在4GB及以上。将U盘插入电脑，进入UltraISO，打开镜像文件（即下载好的Ubuntu18.04 ISO镜像文件）。

         

点击"启动"->"写入硬盘映像..."

          

按照默认设置的参数并执行写入操作

           

           

至此，完成了Ubuntu18.04启动U盘的制作。

1.2 创建磁盘分区

同时按下Windows键和X键，在弹出的列表中选择“磁盘管理”

          

选择剩余可用空间较大的磁盘分区，右键并选择“压缩卷”。图中选择的是压缩E盘60G的空间。

          

点击“压缩”之后，E盘后部出现黑色的60G“未分配空间”

           

至此，磁盘分区过程完成。

1.3 安装Ubuntu

插入U盘，重启电脑。在出现电脑品牌的LOGO界面时，按下BIOS的快捷键(电脑型号不同快捷键不同）。进入系统BIOS后设置优先U盘启动，设置后电脑自动重启并进入Ubuntu安装界面。

         

用户根据自己的需要选择语言等选项，这些设置都不是非常重要。

但是，下图“安装类型”的设置至关重要。一定要选择“其他选项”。

          

         

分配空间时需要注意：

第一次分区：

“空闲”处点“+”，进行如下设置：

大小：25600MB（设置分配给Ubuntu 根目录的空间。因为避免出现CUDA和TensorFlow安装时根目录存储空间不够的情况，建议设置20GB以上。）

新分区的类型：主分区

新分区的位置：空间起始位置

用于：EXT4日志文件系统

挂载点：“/”

           

第二次分区：

“空闲”处，继续点“+”，如下设置，

大小：4096MB

新分区的类型：逻辑分区

新分区的位置：空间起始位置

用于：交换空间

挂载点：（不需要设置）

          

第三次分区：

“空闲”处，继续点“+”，如下设置，

大小：512MB（网上有的文章设置的200MB，但是会导致安装时GRBU配置出现问题“GRUB installation failed”）

新分区的类型：逻辑分区

新分区的位置：空间起始位置

用于：EXT4日志文件系统

挂载点：/boot

          

第四次分区：

“空闲”处，继续点“+”，如下设置，

大小：剩余的全部空间，剩下多少就显示多少

新分区的类型：逻辑分区

新分区的位置：空间起始位置

用于：EXT4日志文件系统

挂载点：/home

          

分区设置完毕后，下方还有一个设置项“安装启动引导器的设备”，选择/boot 所在分区进行安装，然后点击“现在安装”。

        

接下来的设置按照提示一步一步进行下去就可以了。

完成所有的安装设置后，会提示重启电脑。重启过后，就安装成功了。

需要注意的是，按照如下的安装方式，在Windows7操作系统下，开机时会有选项让用户选择打开哪个操作系统（Windows7还是Ubuntu18.04），不会有任何的影响。但是，如果主操作系统是Windows10，在Windows10重启后会自动地修改电脑BIOS的BOOT选项，使得无法引导打开Ubuntu18.04的操作系统。此时，可以在开机时打开BIOS，手动调整BOOT顺序，从而打开Ubuntu18.04操作系统。

3 安装NVIDIA显卡驱动

打开Ubuntu18.04的命令行，输入以下命令以安装Ubuntu18.04的显卡驱动。

sudo ubuntu-drivers autoinstall

驱动安装完成后，一定要重新启动电脑。打开Ubuntu18.04的“设置"->"详细信息"->"关于"。如果"图形处理"处对应于自己的独立显卡的型号，那么说明安装成功。

4 安装CUDA

根据我的多次实验，目前在Ubuntu18.04系统上，适合安装的CUDA版本是9.0版本。安装9.0以上的版本会导致TensorFlow-GPU在运行时报错，“import error：libcuda.so.9.0:cannot open shared object file:no such file or directory”。

下载地址：https://developer.nvidia.com/cuda-90-download-archive

按照下图进行选择

需要下载5个文件，第一个是主文件，后面的4个是补丁。

         

下载完成后，开始安装：

4.1 手动进行降级

在命令行逐行输入下面的命令

sudo apt-get install gcc-4.8
sudo apt-get install g++-4.8
cd /usr/bin
sudo mv gcc gcc.bak
sudo ln -s gcc-4.8 gcc
sudo mv g++ g++.bak
sudo ln -s g++-4.8 g++

分别查看gcc和g++版本号

gcc -v
g++ -v

如果显示version为4.8，那么说明降级成功。

4.2 安装CUDA及其补丁

输入命令安装Base Installer：

sudo sh cuda_9.0.176_384.81_linux.run

执行代码后，会出现Notice内容，按下键盘上的D按键可以快速翻页。

需要注意的是，由于已经安装过NVIDIA显卡驱动程序，故在提问是否安装显卡驱动时选择No,其他选择默认路径或者选择Yes即可。

然后，继续执行以下命令逐一安装4个patch：

sudo sh cuda_9.0.176.1_linux.run
sudo sh cuda_9.0.176.2_linux.run
sudo sh cuda_9.0.176.3_linux.run
sudo sh cuda_9.0.176.4_linux.run

安装完毕之后，在命令行输入下面的代码

sudo gedit ~/.bashrc

将以下两条语句加入.bashrc文件中

export PATH=/usr/local/cuda-9.0/bin${PATH:+:$PATH}}      #注意，根据自己的版本，修改cuda-9.2/9.0...
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} #注意，根据自己的版本，修改cuda-9.2/9.0...

至此，CUDA安装完成。

4.3 测试CUDA是否安装成功

在命令行中输入下列命令

cd ~/NVIDIA_CUDA-9.0_Samples/1_Utilities/deviceQuery
make
sudo ./deviceQuery

查看输出结果，如果最后一行是"Result = Pass"表示CUDA安装成功。

          

再输入下列命令

cd ../bandwidthTest
make
sudo ./bandwidthTest

查看输出结果，如果出现"Result = Pass"表示CUDA安装成功。

          

5 安装cuDNN

由于安装的是CUDA9.0版本，所以安装的cuDNN的版本对应的是7.2.1

5.1 下载

下载"cuDNN v7.2.1 Library for Linux"，下载完毕后，进入到Downloads文件夹路径下，可以看到压缩包，然后解压。

5.2 复制cuDNN内容到CUDA相关文件夹内

在命令行中输入

sudo cp cuda/include/cudnn.h    /usr/local/cuda/include      注意，解压后的文件夹名称为cuda ,将对应文件复制到 /usr/local中的cuda内
sudo cp cuda/lib64/libcudnn*    /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h   /usr/local/cuda/lib64/libcudnn*

至此，cuDNN安装完成。

6 安装TensorFlow-GPU

6.1 安装

在命令行中输入

pip3 install tensorflow-gpu

安装完成之后输入

python3

在python3的交互模式中输入

>>> from tensorflow.python.client import device_lib
>>> device_lib.list_local_devices()

如果出现下图所示，GPU被列出来，那么表明安装成功。

        

6.2 测试安装是否成功

在Python环境中输入下列代码

import numpy

import tensorflow as tf

a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')

b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')

c = tf.matmul(a, b)

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

print(sess.run(c))

如果输出的信息类似下图，则表明TensorFlow-GPU安装成功，并且利用GPU加速运算。

           

                                                            您的支持是我不断前行的动力，谢谢！