linux cuda环境搭建

1，检查驱动是否安装

运行nvidia-smi，如果出现如下界面，说明驱动已经安装

记住cuda版本号

2，安装cudatoolkit

上官网CUDA Toolkit Archive | NVIDIA Developer 根据操作系统选择对应的toolkit

如果已经安装了驱动，选择的toolkit版本不要高于driver的cuda版本。如果未安装，选择一个较新的版本即可

选定版本后，网站上会出现安装指令，如下

wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run
sh cuda_11.3.0_465.19.01_linux.run

如果已经安装了驱动，在安装过程中把驱动选项去掉。并且在安装完成后配置~/.bashrc,添加

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

source ~/.bashrc

安装完成后

运行nvcc --version验证是否安装成功

不要用apt install nvidia-cuda-toolkit安装，一般安装的版本会比较低。

3，安装cudnn

一般在安装tensorflow或者pytorch的gpu版本时会自动安装上cudnn。

如果提示找不到cudnn库，需要手动安装。上cuDNN Archive | NVIDIA Developer下载对应版本的库

解压后将lib目录下文件拷到/usr/local/cuda/lib64下，将include下文件拷到/usr/local/cuda/include下

备注

1，卸载toolkit

运行 /usr/local/cuda/bin/cuda-uninstaller

2，修改安装位置

sh cuda_11.3.0_465.19.01_linux.run --installpath=/mnt/mount/cuda

3，安装pytorch

conda install pytorch==1.12.1 torchvision==0.13.1 cudatoolkit=11.3 -c pytorch

此处选择的cudatoolkit版本与前面安装的对应上

验证是否安装成功

import torch
​​​​​​​print(torch.__version__)：查看torch版本
print(torch.cuda.is_available())：看安装好的torch和cuda能不能用，也就是看GPU能不能用

4，有时显卡内存占用明显大于nvidia-smi下显示的进程占用

可以用命令fuser -v /dev/nvidia* 查看所有占用显存的进程

5，Jitting卡住的问题

如果在之前运行这个程序时，趁加锁之后突然kill掉这个程序，导致它还没来得及释放锁，这样锁就会一直存在，导致后续所有程序都无法读取该库文件。

到~/.cache/torch_extensions/py310_cu113目录下找到lock文件删除