Ubuntu18.04安装CUDA10.0+cuDNN7.6.5+Tensorflow1.15教程

前言

由于效率不是很高也嫌麻烦，已经很久没有写过博客了。不过老师还是希望我每做一件事情就记录一点，一方面是帮助理解，另一方面也是方便自己和他人。同时我也认为记录工作变得很重要，之前其实做了很多事情，但过了一段时间发现没有什么能拿得出手的，并不是工作完全没有价值，而是关于工作的记录太少。因此从这篇博客开始，我也尝试着要把我所做的工作尽可能地记录下来，也算是给自己枯燥的生活留下一点纪念吧。

主要内容

这篇博客主要记录前两天的一点工作，包括给服务器安装NVIDIA驱动，CUDA，cuDNN和Tensorflow等软件。相对于Ubuntu16.04来说，18.04的不同之处在于安装NVIDIA驱动的时候不用手动安装了，本文使用的也是推荐的做法是添加ppa仓库直接安装最新版本的驱动。这样做的好处在于方便安全，在不需要禁用Ubuntu内置的nouveau驱动的情况下即可自动完成NVIDIA驱动的安装，不用担心那些以前安装NVIDIA驱动容易遇到的问题，如无法启动，循环登录等等。在安装完NVIDIA驱动后，可直接下载CUDA和cuDNN进行安装，需要注意的是不需要安装CUDA集成的驱动。在NVIDIA套件安装完成后，配置好环境变量即可安装Anaconda3，继而创建虚拟环境安装所需的深度学习框架。本文安装的是TensorFlow，当然PyTorch的安装也是类似的，我会在最后简单讲一下。废话少说，那么开始进入正题吧。

安装NVIDIA驱动

在安装好Ubuntu18.04系统后，首先Ctrl+Alt+T进入终端，执行命令sudo apt-get update更新软件源列表，接着执行命令sudo add-apt-repository ppa:graphics-drivers添加ppa仓库，然后再执行sudo apt-get update。在添加好ppa仓库后，可使用sudo apt-cache search nvidia或者ubuntu-drivers devices命令查看可安装的NVIDIA驱动版本。其中后一条命令还会给出当前显卡推荐的显卡驱动版本。在安装驱动之前，如果已经安装过NVIDIA驱动，那么可使用命令sudo apt-get remove --purge nvidia*先行卸载。确定要安装的驱动程序版本后，即可使用命令sudo apt-get install nvidia-driver-440进行安装，440是我安装驱动的时候最新的版本。如果不想麻烦，也可以使用命令sudo ubuntu-drivers autoinstall自动安装推荐的NVIDIA驱动版本。在等待大约十分钟后安装完毕，执行命令sudo reboot重启电脑，进入终端执行命令nvidia-smi验证驱动是否安装成功。一般情况下安装是会成功的，但如果不成功也不要着急。重启后失败则Ctrl+Alt+F1进入终端，使用命令sudo apt-get remove --purge nvidia*卸载掉NVIDIA驱动再重新安装即可。

安装CUDA+cuDNN

在装好NVIDIA驱动后，即可安装CUDA+cuDNN。首先到CUDA官网去下载需要的CUDA版本，一般选择下载.run格式的本地安装包。我要安装的是Tensorflow1.15.0版本，官方指定的CUDA版本为10.0，对应的下载地址是CUDA10.0，同时去cuDNN官网下载CUDA对应的cuDNN版本，下载期间会需要登录，但可以直接用QQ或者微信登录以节省注册的时间。CUDA10.0对应的cuDNN版本为7.6.5，下载地址为CUDA7.6.5，下载页面如下所示：

下载好CUDA和cuDNN后，安装就比较简单了。首先安装CUDA，使用命令sudo sh cuda_10.0.130_410.48_linux.run进行安装，唯一需要注意的是不要选择安装驱动的选项即可，其它可都按照默认选项安装。安装完毕后在/usr/local/目录下能找到名为cuda-10.0的安装目录以及一个名为cuda的软链接文件，这个文件指向cuda-10.0文件夹。接着需要做的就是添加环境变量，即执行命令vi .bashrc，在文件的末尾添加两行：

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

然后:wq保存再执行命令source .bashrc，接着添加路径/usr/local/cuda/lib64到/etc/ld.so.conf.d/cuda.conf文件中，如果文件不存在可自己创建，最后执行命令sudo ldconfig完成路径配置。这里推荐使用cuda软链接而不是cuda-10.0的路径，因为我们通常会在一台机器上安装多个CUDA版本，用软件链接可以方便使用，只需在使用前修改软链接的指向即能完成版本切换，而不需要每次都去修改环境变量。CUDA安装完成后进入存放cuDNN的文件夹下，首先执行解压命令tar -zxvf cudnn-10.0-linux-x64-v7.6.5.tgz，然后进入解压后的文件夹，依次执行命令：

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

复制里面的cuda/include/cudnn.h到/usr/local/cuda/include/文件夹下，以及复制cuda/lib64/下的所有文件到/usr/local/cuda/lib64/文件夹下，其中-P选项指示复制时保留软链接。至此CUDA+cuDNN已全部安装完成。

安装Anaconda3

Anaconda3目前几乎已是深度学习的必备软件之一，它的特点主要在于Python虚拟环境以及conda包管理工具。Anaconda3的版本选择主要取决于用户需要什么版本的内置Python，但由于可以创建虚拟环境从而使用不同的Python版本，这个也就变得不那么重要了，一般下载对应平台的最新版本安装包即可。安装Anaconda3，首先到Anaconda3下载地址下载安装包，下载页面如下所示：

如果用户想使用以前的版本，比如我就倾向于安装内置Python3.6的Anaconda3-5.0.1版本，可到Anaconda清华镜像源去下载各个版本的安装包。下载完成后，打开终端进入安装包所在文件夹，执行命令sudo sh anaconda3-5.0.1-python3.6-linux-x86_64.sh进行安装，安装过程中直接使用默认值就好，在最后会提示是否添加Anaconda3的路径到.bashrc，选择yes软件会自动添加环境变量，最后安装完成。
安装好Anaconda3后，首先需要做的事情是添加国内的软件源，这里推荐的是清华镜像源。添加的步骤为，打开终端，依次执行命令：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --remove channels defaults
conda config --set show_channel_urls yes

即完成镜像源的添加，其中第三条命令移除了Anaconda3的默认下载通道，这是推荐的做法，因为如果软件选择它作为下载通道，那么下载将是很漫长痛苦的事情。镜像源配置好后，就可以执行命令conda create -n tensorflow-1.15 python==3.6.6创建自己的虚拟环境了，这里tensorflow-1.15是需要创建的虚拟环境名，python==3.6.6用于指定安装的Python版本，执行后在Anaconda3的安装目录下的envs文件夹下可看到对应的虚拟环境名文件夹。
在虚拟环境创建后，执行命令source activate tensorflow-1.15切换到虚拟环境（要退出则执行source deactivate），然后执行命令conda install pip安装pip软件包下载工具，安装完成后记得执行命令python -m pip install --upgrade pip更新pip到最新版本。由于pip的国外源下载一般非常慢，在安装完之后也需要对pip进行国内软件源配置，即执行命令cd切换到用户文件夹下，接着执行命令mkdir .pip创建.pip文件夹，然后进入文件夹执行命令vi pip.conf编辑文件，添加如下内容（Windows系统则是在C:\Users\xxx用户文件夹下创建pip文件夹，再创建pip.ini配置文件，文件的内容不变）：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host = https://pypi.tuna.tsinghua.edu.cn

至此，安装TensorFlow-GPU的准备工作就已经完成，接下来只需简单的步骤即可完成TensorFlow的安装。

安装TensorFlow

在准备好以上环境后，安装TensorFlow只需在虚拟环境中执行命令pip install tensorflow-gpu==1.15即可，其中1.15是我需要安装的版本（如果需要安装CPU版本，则执行命令pip install tensorflow==1.15）。在网络不好的情况下，使用pip安装可能会经常出现断线的情况，即使配置了国内源也一样。因此可行的做法是先执行安装命令，如果失败或者过于缓慢则复制终端上显示的URL到浏览器或者其它可续传且下载速度快的软件上下载，下载完成后再执行命令pip install xxx.whl离线安装。安装完成后可进行简单的测试，即输入python命令打开Python解释器，依次输入如下：

import tensorflow as tf
print(tf.__version__)
sess=tf.Session()
sess.close()

如果没有出现如库加载失败，无法找到TensorFlow模块等错误，且有显示机器的GPU等信息，那么表明TensorFlow已经安装完成。

安装PyTorch

目前TensorFlow依然是工业界的深度学习框架首选，然而在学术界PyTorch才是最受欢迎的深度学习框架。PyTorch相较于TensorFlow来说更加简洁。虽然性能方面不及TensorFlow，但可以快速地复现思想，因此深受学术界青睐。安装PyTorch也是较为简单的，只需到PyTorch官网选择需要的版本下载即可，下载界面如下：

可以看到，官网的下载页面有给出下载的命令，直接执行如上面的pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html，即可完成PyTorch最新版本的安装。如果用户需要安装以前的版本，也可到PyTorch旧版本下载地址下载，具体的下载命令也都有给出。要注意的是CUDA的版本匹配问题，例如上面的PyTorch1.5.0版本需要CUDA10.1或者10.2版本对应，而我前面安装的是CUDA10.0，因此如果要安装PyTorch1.5.0的话还需要再安装其它的CUDA版本。

结束语

花了一两个小时，记录了最近两天安装深度学习软件的过程。虽然没有多少价值，但也是个人积累的一部分。写完发现还是有点意思，以后应该会经常写一些博客记录下一些工作，这的确是个好习惯，需要坚持下去。今天就这样吧，改天再续。