Ubuntu18.04+CUDA9+cuDNN7.4.2+Anaconda+TensorFlow

• 安装NVIDIA驱动

#2019年2月26经历艰苦奋斗之后成功

首先U盘安装Ubuntu16.04.5

之后开机时按e进入编辑开机指令的模式，找到qiute splash，在其后加上nomodeset

之后按F10进入系统，会发现机器界面变卡，在detail里边会发现Graphics是llvmpipe，说明成功一半了。

之后在Settings-Software&Updates-Ubuntu software-Download from选择Other，切换到国内源（当时连手机热点，切到了阿里源）。在附加驱动里选择“合适的、测试好的NVIDIA驱动“（我选的是384）。apply之后restart就行能看到成功驱动NVIDIA显卡了。

#此方法是无数次.run安装方法测试后自己想出的。可能在我这台电脑用.run安装没有这种图形化安装好。实践证明电脑默认关闭secure boot，所以跟secure boot disable与否没有关系。同时也不用理会i915问题。

 

#2019年2月28

由于分配给根目录/的空间太小，所以我决定重装系统，从固态分出1G给/boot，从E盘分出20G给/home ，再还是从E盘分出160G给根目录。这种方式重装Ubuntu16之后，用之前附加驱动装Nvidia的方法死活驱动不起来，用.run的方法也是驱动不了。折腾了一个下午之后，我决定放弃16，重装Ubuntu18。现在在附加驱动安装推荐的390版本试试（没有加nomodeset），希望顺利。如果安装成功，说明不是根目录不在激活的盘符的问题，因为现在只有boot在启动盘。实验成功了！18成功驱动起了Nvidia。版本是390.77。因为现在驱动是390，所以下边CUDA也要对应着换。这也说明在非系统盘启动的操作系统也能完美操作独显。如果/boot也在非系统盘，会发现启动不了Ubuntu。

 

• 安装CUDA和CuDNN

 

首先查看自己显卡的能力https://developer.nvidia.com/cuda-gpus。850M的能力等级为5。通过

在https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html的“Table 1. CUDA Toolkit and Compatible Driver Versions”表格中，因为我的驱动版本是384.130，所以得安装CUDA9以下的。由于怕再次安装新的NVIDIA驱动而导致的不工作问题，因此我就不折腾着升级了。

https://developer.nvidia.com/cuda-toolkit-archive 找到匹配版本的CUDA。

https://developer.nvidia.com/rdp/cudnn-archive CuDNN版本，可以看到得选cuDNN7.4.2。下载cuDNN需注册一个Nvidia的开发者账号，由于之前我已经注册过了，所以直接登陆就好了。

 

由于Ubuntu16.04.5的GCC版本是5.4.0，而CUDA9的online documenthttps://docs.nvidia.com/cuda/archive/9.0/cuda-installation-guide-linux/index.html中的GCC是5.3.1，不知道需不需要进行降级处理。看网上博客https://blog.csdn.net/cheneykl/article/details/79114825说CUDA8.0的GCC使用5.3.1，但是已经兼容5.4，因此我推测比CUDA8更高级的CUDA9不需要降级处理。

因此，暂时决定使用CUDA9+cuDNN7.4.2。

Distribution	Kernel*	GCC	GLIBC	ICC	PGI	XLC	CLANG
Ubuntu 16.04	4.4	5.3.1	2.23	17.0	17.1	NO	3.9.0

 

查看本机是否有正确的内核Head和安装包

CUDA的安装要求kernel的版本跟kernel head以及跟开发包的版本必须匹配。因为CUDA在安装的时候如果检测到没有安装过kernel head和开发包会安装相应kernel head和开发包，但他是安装最新版，不一定跟本机的kernel匹配。所以最好手动先安装正确的版本的kernel header和开发包。

查看本机kernel版本：uname -r

安装匹配的kernel header和开发包(ubuntu)：sudo apt-get install linux-headers-$(uname -r)

 

sudo sh cuda_9.0.176_384.81_linux.run --override（后边有--override选项的意思是忽略编译器、第三方库和工具包检测检查，这将阻止CUDA Toolkit和CUDA Sample的安装。本次安装没有使用override选项。）

然后就进入安装过程，开始都是End User License Agreement，你可以CTRL +C 跳过，然后accept。提示安装380驱动时选择no。提示安装sample时可以no也可以yes，sample占221.8M空间。

sudo gedit ~/.bashrc

添加路径，可以加注释以便识别：

# 随便写点啥表示你自己写的不是电脑加的，删除的时候好识别

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"

 

使之生效：

source ~/.bashrc

 

打补丁(和安装cuda一样，不过简化很多)：

sudo sh ./cuda_9.0.176.*（总共4个，个人感觉只需要打最新的补丁）

 

检测CUDA是否安装成功

nvcc -V

无报错信息输出则对。

 

tar xvzf cudnn-9.0-linux-x64-v7.4.2.24.tgz

然后将库和头文件copy到cuda目录（一定是你自己安装的目录如/usr/local/cuda-9.0）,不过正确安装的话，ubuntu一般就会有软链接/usr/local/cuda -> /usr/local/cuda-9.0/

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*

 

检测cuDNN是否安装成功：

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

无报错信息则对。

 

到此，全部安装结束，接下来就可以安装tensorflow，caffe等深度学习框架了。

 

#2019.2.28

https://blog.csdn.net/u010801439/article/details/80483036

因为安装18之后，驱动版本号只有390.77，因此需要安装CUDA9。而CUDA9的GCC要求6.0以下，而Ubuntu 18.04预装GCC版本为7.3，因此还需要对GCC进行降级处理。根据教程，降级到4.8。

sudo apt-get install gcc-4.8

sudo apt-get install g++-4.8

发现gcc链接到gcc-7.0, 需要将它改为链接到gcc-4.8，方法如下:

sudo mv gcc gcc.bak #备份

sudo ln -s gcc-4.8 gcc #重新链接

需要将g++链接改为g++-4.8:

sudo mv g++ g++.bak

sudo ln -s g++-4.8 g++

再查看gcc和g++版本号：

gcc -v g++ -v

均显示gcc version 4.8 ，说明gcc 4.8安装成功。

这里打算降级到4.8是因为兼容一些老程序。不过不知道以后会不会产生什么不良后果。

 

安装Anaconda

https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

在清华开源镜像站下载anaconda。

添加Anaconda 仓库的镜像，运行以下命令:

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --set show_channel_urls yes

(后续TensorFlow安装过程待更)