深度学习GPU环境安装教程：Ubuntu16.04+1080(Ti)显卡驱动+CUDA+cuDNN（已n次完美安装）

安装显卡驱动

当前只装了ubuntu16.04单系统，亲测可用，之前ubuntu16.04+win10双系统下也是这种方法装的，只是需要切换视频线的接口，可参考这篇

---

1.装好ubuntu16.04
2.主板中取消secure boot，同时取消快速启动（不清楚这个不取消，会怎么样，好像大家都取消），重启电脑
3.在终端中加入ppa源

sudo add-apt-repository ppa:graphics-drivers/ppa

4.在终端中安装最新的显卡驱动

sudo apt-get update
sudo apt-get install nvidia-390

型号在这查看（不用下载），版本低了后面会提示升级：http://www.geforce.cn/drivers

5.装完驱动后重启，完成，输入下面命令查看。

nvidia-smi

注意：
a 不需要屏蔽nouveau的驱动，完美安装，跟其它教程好像不太一样
b 可以查看ppa上是否提供当前系统版本的驱动，ppa显卡驱动的网址：https://launchpad.net/~graphics-drivers/+archive/ubuntu/ppa
c 如果需要卸载nvidia驱动（比如进入无限登陆界面时），在终端或者tty1控制台Ctrl+Alt+F1（输入账号及密码后）输入：sudo apy-get purge nvidia*此时重启系统会默认使用nouveau的驱动

安装CUDA

CUDA是开发、优化和部署GPU加速的应用程序，CUDA工具包提供了创建高性能的GPU加速应用程序的开发环境，要使用GPU进行深度学习开发，就必须有CUDA。
1、下载CUDA
去NVIDIA官网自行下载，这里我装9.0版本：

cuda_9.0.176_384.81_linux.run 

终端进入cuda_9.0.176_384.81_linux.run文件所在目录，执行以下命令开始安装：

$ sudo sh cuda_9.0.176_384.81_linux.run 

其间，显示完协议说明之后会有相关选项需要输入指令做出配置：

accept/decline/quit： # 是否接受协议，输入accept接受协议。 

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.81? # 是否安装显卡驱动，选择n。 

Install the CUDA 9.0 Toolkit? # 是否安装工具包，输入y。 

Enter Toolkit Location[ default is /usr/local/cuda-9.0 ]: # 工具包安装地址。 

Do you want to install a symbolic link at /usr/local/cuda? # 添加链接，输入y。 

Install the CUDA 9.0 Samples? # 安装CUDA样例，输入y。 

Enter CUDA Samples Location[ default is /home/lwp]: # 样例安装地址，根据自己开发需求选择路径，这里选择/home/lwp/beetuapp。 

等待安装完成后修改~/.bashrc文件，在文件的末尾添加CUDA的环境变量。：

终端执行命令：

$ sudo vim ~/.bashrc

打开配置文件后在末尾添加以下内容并保存：

export PATH="/usr/local/cuda-9.0/bin:$PATH" 

export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH" 

export CUDA_HOME="/usr/local/cuda-9.0:$CUDA_HOME" 

运行测试样例，查看CUDA是否安装成功：

进入样例工程文件夹，执行$ make命令编译工程，使用$ ls命令查看生成的可执行文件。

执行该可执行文件$ ./deviceQuery，生成下图信息则说明安装成功。

卸载CUDA（备用）
sudo /usr/local/cuda-9.0/bin/uninstall_cuda_9.0.pl
sudo rm -r /usr/local/cuda-9.0

安装cuDNN

cuDNN是一个专门针对深层神经网络的GPU加速库。研究者依靠cuDNN为高性能GPU加速。这使得研究者可以专注于神经网络的训练和应用的开发，而不用因为低性能的GPU花费过多的时间。cuDNN目前提供了很多深度学习框架的支持，包括TensorFlow、Caffe2、Theano和PyTorch等。

根据系统环境下载合适的安装包，选择下载cuDNN v7.0.5 Library for Linux。下载完成后，进入文件所在目录，执行命令进行解压缩，解压得到如图5-7所示文件。

$ tar -zxvf cudnn-9.0-linux-x64-v7.taz 

然后，将cuDNN相应文件添加到CUDA库，在终端执行以下命令：

$ sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ 

$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ 

最后，修改添加到CUDA库的cuDNN权限：

$ sudo chmod a+r /usr/local/cuda/include/cudnn.h  

$ sudo chmod a+r /usr/local/cuda/lib64/libcudnn* 

完成！