Ubuntu20.04下深度学习环境配置（不维护了）

Ubuntu20.04下深度学习环境配置

这篇文章记录了我在配置深度学习环境时的坑（会持续维护，遇到坑时会回来补）。具体操作和安装包在文章中都有（可能不是最全面的，但一定都指出了在哪里下载，怎么操作）。先介绍一下我的配置环境：Ubuntu20.04, X86_64, RTX3090, Nvidia-smi 455, Cuda 11.1。不同版本的安装过程大同小异，如果有需要注意的地方，会在文中指明。
安装过程共分为以下几大部分：1. 换国内源；2. gpu驱动；3. anaconda安装；4. pytorch-cpu安装；5. cuda安装；6. cudnn安装；7. pytorch-gpu安装；8. tensorflow安装(cpu+gpu)。
【注】：

1. 以上8个部分可以交叉安装（但最好按顺序进行，如果你是复制粘贴党的话，许多安装是建立在之前的基础上的，直接复制容易导致错误）。如果有哪部分看不懂我的文章，可以多看看别人对这部分的安装教程，总有一款可以安好。
2. 若代码中出现xxx,为Ubuntu中user的名称全拼或缩写，是你设置的用户名。/home/xxx/,将xxx替换为你的用户名。
3. 安装的东西很多，而且99.999999999%的可能你会出现本文中没有提及的error提示（尽管本文中尽可能指出了你可能会遇到的bug），不要慌！正常，每个人的硬件设备和软件以及之前的使用情况都不一致，所以都会出现不一样的情况。这时复制粘贴你的error提示，找度娘，解决了这个bug,然后回来继续看该文执行后的安装过程。
4. 在正式安装前，以上这些话如果你是第一次配环境希望你看一看，做好心理准备，尽可能少踩点坑。超级感谢yzw!!!从深坑里捞了我一把
5. 更新：感谢评论区各位小伙伴的指路！我一个人走过的坑和写出的配置过程难免有不足，各位在配置时也多看看评论区啊，大家的指路很有用！

一、换国内源

深度学习环境配置过程中，需要下载很多东西，直接用默认源下载速度很绝望，所以我们直接在最开始就换源，解决一切下载慢的问题。
常见的国内源有清华源，阿里源等。大多都推荐使用阿里源。
换源的方式有2种。
[注]：最近发现阿里，清华源也超级慢，强烈推荐尝试豆瓣源！！！神快！！每次安装时用这条语句：pip install 包名 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com。（详细使用可参考八、tensorflow安装）

1. 命令行换源
   （略麻烦，但有助于熟悉之后的安装环境)
   使用gedit文本编辑器打开sources.list进行修改。（还有的教程用vim打开sources.list，其实都可以，但如果ubuntu是刚装的系统，是没有vim的）

\\打开Ubuntu的终端
$ sudo gedit /etc/apt/sources.list

将目前的源全部注释掉，即每行开头没有“#”的都加上#。
然后打开该网页Ubuntu阿里源，选择自己对应的Ubuntu版本号将下面的源进行复制粘贴到刚刚打开的sources.list文件中。

换完后别忘了更新一下。

$sudo apt-get update
$sudo apt-get upgrade

这里顺便下载vim文本编辑器，之后会用到。

$sudo apt-get Install vim

2. 图形界面进行换源。可参考图形界面换源

二、gpu驱动

gpu驱动安装分为：1. 禁用nouveau, 2. 卸载旧的驱动（如果你是第一次安装驱动，这步可以省略），3.gcc安装，4，安装驱动
【注】：这部分参考https://www.cnblogs.com/fanminhao/p/8902296.html。

1. 禁用nouveau
   Ubuntu系统集成的显卡驱动程序是nouveau，它是第三方为NVIDIA开发的开源驱动，我们需要先将其屏蔽才能安装NVIDIA官方驱动。 所以我们要先把驱动加到黑名单blacklist.conf里。

// 修改属性
$sudo chmod 666 /etc/modprobe.d/blacklist.conf  
//用gedit打开
$sudo gedit /etc/modprobe.d/blacklist.conf
// 在最后一行加入以下几句，保存退出
blacklist vga16fb
blacklist nouveau
blacklist rivafb
blacklist rivatv
blacklist nvidiafb
// 对刚才修改的文件进行更新
$sudo update-initramfs -u

记得重启计算机，打开终端检查nouveau是否被禁用

$lsmod | grep nouveau \\若执行完该句，没有任何输出，则nouveau被成功禁用

2. 卸载旧的驱动
   如果你是第一次安装gpu驱动，这一步可以省略。当然如果你不是第一次安装驱动，亲测也可以忽略这一步。

$sudo apt-get remove --purge nvidia*

执行完上述命令后会有提示有残留，按照提示进行删除。

3. 安装gcc
   必须先安装gcc, 才能安装gpu驱动。

$sudo apt-get  install  build-essential \\安装gcc,不要怀疑，就是build-essential，我也不知道为啥
$gcc --version \\检查gcc是否安装成功

这里我只安装了gcc，gpu驱动就可以成功安装了，如果你执行到下面，提示你make，g++没有安装的话，再回来执行以下语句进行安装即可。

$sudo apt-get install g++
$sudo apt-get install make

4. 下载对应版本的gpu驱动
   安装gpu驱动的方法分为2种：ppa源安装和利用run文件进行安装。
   这里推荐使用run文件安装。因此需要根据你的显卡类型选择合适的run文件下载，官网下载链接（速度较快，可直接使用）：gpu驱动下载链接.
   
   
5. 安装驱动
   先按Ctrl+Alt+F1，关闭图形界面（过程中出现星号则证明需要输入密码）。再在新出现的界面输入以下命令：

$sudo service lightdm stop

然后cd进入到下载好的.run文件目录中（我安装的是Ubuntu20.04中文版，所以直接下载后的目录为/home/xxx/下载，但是这里不会正常显示中文，因此推荐把下载后的.run文件换个位置再进行下面的操作。

//以移动后的目录为/homg/xxx/为例
$cd /home/xxx/
//修改权限
$sudo chmod a+x NVIDIA-Linux-x86_64-xxx.run
//执行安装
$sudo ./NVIDIA-Linux-x86_64-xxx.run -no-x-check -no-nouveau-check -no-opengl-files

过程中根据提示，选择Accept等。

6. 完成安装并验证

//启动图形界面
$sudo service lightdm start

再按Ctrl+Alt+F7回到图形界面即可，这里一定要先按住Ctrl+Alt，再按F7，不然容易黑屏（我每次这个时候只能强制重启了）

//执行此语句，出现显卡信息则证明安装成功。
$nvidia-smi

7. 注意
如果你不是第一次安装驱动，并且这次安装驱动已经距离上次安装已有较久的时间了，尽可能重新安装最新默认的gcc和在官网重新下载驱动。（我就是存了很久前下载的驱动，结果和GCC版本不匹配，一直安装出现ERROR）

撒花！！！gpu驱动已安装完成！

三、Anaconda安装

1. 安装Anaconda
   已经在windows/Mac os系统下安装过anaconda的同学这步就很简单了，链接（下载速度较快）: anaconda下载链接.
   下载完成后的文件为Anaconda3-2020.07-Linux-x86_64.sh，会直接存放在“/home/xxx/下载”中。
   这时我们就对下载的文件进行安装了。

\\cd到Anaconda3-2020.07-Linux-x86_64.sh所在的目录
$cd /home/xxx/下载
\\执行bash进行安装
$bash Anaconda3-2020.07-Linux-x86_64.sh

然后一直按回车键，直到出现“Do you accept the license terms”, 输入“no”

出现“Anaconda3 will now be installed into this location: /home/xxx/anaconda3”，直接按回车键，安装在该目录中。

出现“Do you wish the installer to initialize Anaconda3 by running condo init?”, 输入“no”。

这时anaconda已经基本安装完成了。

2. 区分Ubuntu自带python和anaconda中的python

Linux中会自带python, Ubuntu20.04中自带python3,已经没有python2了。这时不区分不影响anaconda的正常使用，但pytorch和tensorflow对这Linux中自带的python3和anaconda中的python的使用需求不同，后期需要进行两者的切换。所以最好在这里就对他们进行区分。

先退回到根目录

$cd ~

在1. 换国内源中已经安装过vim文本编辑器了，这里我们用vim打开.bashrc文件，并进行修改。

$sudo vim .bashrc \\利用vim打开.bashrc文件

输入小写字母i，进行vim的编辑模式。此时可以在.bashrc文件进行编辑了，在文件最后加入以下命令：

alias python3="/usr/bin/python3.8"\\给系统自带的python起一个别名，就叫python3
export PATH="/home/xxx/anaconda3/bin:$PATH"\\anaconda3中的python

然后按下esc键，再输入:wq!进行保存，再按esc键退出vim编辑器。

继续在终端中对刚才修改的. bashrc文件执行以下。

$source .bashrc

试试刚才进行区分的设置。

$python \\本条命令应该启动anaconda3中的python
$exit() \\退出

$python3 \\本条命令应该启动系统的python
$exit() \\退出

进行了这样的区分后，以后可以根据输入的不同对两种python进行任意地切换了。

3. 创建Deeplearning的环境

\\这步中Deeplearning可以换成任何你喜欢的名字
$conda create -n Deeplearning python=3.8
\\查看你创建的环境
$conda env list
\\激活创建的环境
$conda activate Deeplearning
\\关闭环境
$conda deactivate

【注】：有时候conda activate Deeplearning语句会提示错误，将该句换为“source activate Deeplearning”即可，之后输入conda的任何命令都可以正常进行了。

四、pytorch-cpu版本安装

为了可以在不使用GPU时也可以方便地对代码进行调试，先安装一个pytorch-cpu版本的。

激活你创建的Deeplearning环境,系统需要下载一些东西，这里会耗费一点时间。

$conda activate Deeplearning

根据你的情况选择合适的pytorch安装语句.链接: 选择合适的pytorch版本进行安装
安装pytorch。尽管我们已经切换了国内源，这里安装还是比较费时。而且需要安装多个包，torch,torchvision,mlk这三个尤其耗时。经验发现：按下“ctrl+c”打断安装，再重复执行以下语句，每次重新开始安装时速度大概率会提升。

\\这里以conda安装为例进行展示，实际上使用pip安装会更快。
$conda install pytorch torchvision cpuonly -c pytorch

安装测试。1. 进入python界面的语句和上一节“区分Ubuntu自带python和anaconda中的python”中你设置的alias有关；2. import torch语句执行后，若无任何提示，撒花！恭喜你：pytorch安装成功！若提示没有该模块，回去检查吧，哪步有问题，再重新开始执行；3. exit(), 退出python执行界面

$python \\进入python执行界面
$import torch \\若无任何提示，安装成功
$exit() \\退出python执行界面

五、cuda安装

1. 安装cuda
   由于系统不同，每个人安装cuda的语句不尽相同，在该页面中链接: 选择合适的cuda版本进行安装
   
   【注】：根据该选择界面，我下载的是cuda11.1版本，3.3G，而且截止写该文章的时候，cuda11.1还没有镜像文件，我只能等待漫长的几个小时的下载，哭泣。。。如果你需要安装的cuda版本较低，可以在该页面查看自己需要的cuda是哪个版本（点击下载后下载文件的后缀名里有cuda版本号），再百度搜索相应镜像文件下载。
   
   然后直接根据下载页面的语句提示安装即可。
   记得在你创建的虚拟环境中进行：

$ conda activate Deeplearning \\Deeplearning是我上面起的名字

如果你像我一样直接在该页面下载cuda.run文件，执行以下2行语句。

\\直接在网页下载cuda
$wget https://developer.download.nvidia.com/compute/cuda/11.1.0/local_installers/cuda_11.1.0_455.23.05_linux.run
\\安装cuda
$sudo sh cuda_11.1.0_455.23.05_linux.run

如果你在其他网站下载的镜像文件，执行以下2行语句。

\\已经下载好cuda.run的镜像文件，先cd到对应目录
$cd /home/xxx/下载 \\默认下载目录
\\安装cuda
$sudo sh cuda_11.1.0_455.23.05_linux.run \\输入完语句后不要着急，稍微等一两分钟

"Do you accept the above EULA?"输入accept

然后将Driver前面的选项按回车，去掉；其他的保持不动，选择“Install”，稍等几分钟就装好了，会出现以下的界面。

2. 配置环境
   类似于以上章节中区分两种python的环境，这里也要打开.bashrc文件添加路径。

$sudo vim ~/.bashrc \\进入vim界面。输入字母i，进入编辑模式
\\在bashrc文件中输入以下命令，注意修改你的cuda版本
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.1/lib64
export PATH=$PATH:/usr/local/cuda-11.1/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-11.1
\\输入完成后，点击esc键并输入:wq!，再按esc键退出vim。

\\这时候返回终端了
$source ~/.bashrc \\运行.bashrc文件

3. 安装完成检查

nvcc --version

若出现以下的界面，则表示cuda安装完成，撒花！！！

六、cudnn安装

cudnn的安装相比以上过程就简洁多了～但是在Nvidia下载cudnn文件时稍微有点麻烦，你需要先注册一个Nvidia账号，再填写一个调查问卷。

然后才能进入cudnn的正式下载页面。链接: 选择合适的cudnn版本进行安装
根据你的cuda版本和电脑系统，选择合适的cudnn进行下载（大概1G多，需要一段时间进行下载）。

下载好后，将.tz文件进行解压缩。
并打开终端，进入解压缩后的目录。以/home/xxx/下载为例。

$cd /home/xxx/下载 \\cd到下载目录

记得在你创建的虚拟环境中进行：

$ conda activate Deeplearning \\Deeplearning是我上面起的名字

输入以下命令：

$sudo cp cuda/include/cudnn*.h /usr/local/cuda/include/
 
$sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
 
$sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

安装好后进行检查。许多教程是输入这条语句“cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2”有正确显示即安装成功，但我没任何显示。。。还有其他的验证方法，如用Debian等，但因为这里是Ubuntu20.04，官网并没有给出其安装文件，只有上图所示的所有linux通用版安装压缩包，所以也没法用这种方法验证。

我是在进行完“七、pytorch-gpu安装”后用torch.cuda.is_available()进行验证的。
这里用以下方式进行验证cudnn是否安装成功。

七、pytorch-gpu安装

在“四、pytorch-cpu安装”中已经展示了如何安装pytorch-cpu版本了，这可以让你在不使用gpu时也能对代码进行调试验证，也就是import torch是可以正常导入的，但torch.cuda.is_available()会返回False。这时我们安装pytorch-gpu版本。

安装过程十分简单，截止2020年10月31日，开心的是pytorch已经支持cuda11.1了。所以打开官网，选择对应版本进行安装（下图以pip安装为例）。

在终端输入

pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

[注]：这步有小伙伴提示，最好不要用conda安装，可能导致还是cpu版本，所以最好直接就按图上的提示pip安装。

超级快就可以搞定！然后进行终极验证。

$source activate Deeplearning \\激活你创建的虚拟环境
$python \\运行python (启动命令与你上文中起的别名有关)
$import torch \\导入torch模块,这里应该没有任何输出
$torch.cuda.is_available() \\输出True则安装成功
$exit() \\退出python
$conda deactivate Deeplearning \\退出虚拟环境

八、tensorflow安装

其实tensorflow或pytorch安装好其一就可以进行深度学习了。但有时我们需要学习别人的代码，框架不由自己选择，所以还是都装上吧。
这里先查看你已经安装好的虚拟环境

$conda env list #查看所有的虚拟环境列表

得到下图（我已经装好了，所以图里有好几个环境）
创建新的tensorflow的环境（这里类似于三.3中创建的Deeping learning环境），注意一定要加python=X.X(要不创建好的环境没有bin文件，是没法使用的)，这步还是需要耗费一点点时间。

$conda create -n tensorflow python=3.8 #3.8是你的anaconda中python的版本

然后利用pip安装tensorflow和keras了～
目前tensorflow官网还没有给出和cuda11.1对应的tf版本，这里安装tf-nightly，亲测可用。其他小伙伴根据自己cuda的版本安装对应的tensorflow。
【注】:1. 强烈推荐用豆瓣源。。。亲测比阿里和清华源快了不是一点半点，使用方法如下，即在软件包名后加-i http://pypi.douban.com/simple --trusted-host pypi.douban.com
2. tf-nightly-gpu是安装gpu版本，tf-nightly是安装cpu版本。可以按需安装。（这步虽然需要下载7，800兆的包，但豆瓣源还是很香，一会就好了）

$pip install tf-nightly-gpu -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
$pip install tf-nightly -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

然后安装keras（需要注意自己对应的版本）

$pip install keras==2.3 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

正常情况，这里tensorflow就完全安装好了，测试一下：

$source activate tensorflow #激活虚拟环境
$python #运行python
$import tensorflow as tf #没有任何提示表明tensorflow-cpu版安装完成
$print(tf.test.is_gpu_available()) #最后得到True表示tensorflow-gpu版安装完成

应该得到下图的结果(蓝色字体是当前路径，无所谓不影响)
tensorflow-gpu是否安装成功重点看最后一行是True还是False。
【出现的错误】：这里容易出现的问题是print(tf.test.is_gpu_available())后显示：** Could not load dynamic library ‘libcusolver.so.10’ **等，就不是上图中用红色线条标注的successfully…比如下图这样的情形（来源于网络）：

解决办法：建立软链接（缺libcusolver.so.10就将libcusolver.so.11指向libcusolver.so.10），直接在终端输入：

sudo ln -s /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcusolver.so.11 /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcusolver.so.10

撒花！！！所有安装到此结束！！！终于配完事了。。。