在Ubuntu18.04 安装CUDA10.1、cuDNN和TensorFlow2.3.0

Ubuntu18.04+CUDA10.1+TensorFlow2.3.0

踩坑总结

！！！CUDA版本与cuDNN以及TensorFlow的版本要对应

一、安装NVIDIA驱动

首先，查看自己电脑的显卡型号

在终端输入命令 lspci | grep -i vga

但输入后返回的是4个数字，并没有发现显卡型号

参考下面链接后知道返回的是一个十六进制数字代码，根据这个数字代码可以找到相应的显卡类型。

Linux(Ubuntu)系统查看显卡型号

The PCI ID Repository

在输入框中输入终端返回的十六进制数，就能查到显卡类型，我的是Quadro P2200。

下载驱动安装包

知道自己的显卡型号后，即可登录NVIDIA官网查询对应的驱动并下载。

下图是CUDA和显卡驱动版本的对应表，看表中符号是“>=”,所以下载驱动时只需满足驱动版本高于所要下载的CUDA对应版本就可以了，通常选择官网查询给出的驱动版本。

（我的显卡驱动版本是450的，看这个表就想着下载对应的CUDA11，结果最后TensorFlow还没有支持到CUDA11，只好卸了重装T^T）

NVIDIA驱动程序下载

输入自己的显卡型号就能给出推荐的驱动，点击下载即可。

安装驱动

参考链接https://blog.csdn.net/u014797226/article/details/79626693

1、禁用nouveau第三方驱动

打开编辑配置文件： sudo gedit /etc/modprobe.d/blacklist.conf

在最后一行添加：blacklist nouveau

改好后执行命令：sudo update-initramfs -u

重启使之生效：reboot

输入lsmod | grep nouveau，若无输出则代表成功。

2、验证是否安装了gcc

3、关闭图形界面

按 Ctrl+Alt+F1/F3 进入tty界面
输入下面命令关闭图形界面:

sudo service lightdm stop

或者

sudo telinit 3

给驱动run文件赋予可执行权限：sudo chmod a+x NVIDIA-Linux-x86_64-450.80.0.2.run (下载的驱动文件名）

安装：sudo ./NVIDIA-Linux-x86_64-450.80.0.2.run -no-opengl-files

开启X服务：sudo /etc/init.d/lightdm start (或者：sudo service lightdm start)

–no-opengl-files 只安装驱动文件，不安装OpenGL文件。这个参数最重要
–no-x-check 安装驱动时不检查X服务
–no-nouveau-check 安装驱动时不检查nouveau
后面两个参数可不加。

重启，输入命令：nvidia-smi

出现如下信息则安装成功。

二、安装CUDA10.1

1、下载CUDA10.1

CUDA工具包下载

选择runfile文件下载，放到主目录下。

2、安装

按 ctrl + alt + F1/F3 进入tty命令行界面,登录用户和密码

关闭图形界面，同上 安装NVIDIA驱动时操作

sudo service lightdm stop

或者

sudo telinit 3

给cuda可执行权限：

sudo chmod a+x cuda_10.1.105_418.39_linux.run

运行cuda文件：

sudo ./cuda_10.1.105_418.39_linux.run --no-opengl-libs

cuda主要有以下参数：

–no-opengl-libs：表示只安装驱动文件，不安装OpenGL文件。必需参数，原因同上。注意：不是-no-opengl-files。
–uninstall (deprecated)：用于卸载CUDA Driver（已废弃）。
–toolkit：表示只安装CUDA Toolkit，不安装Driver和Samples
–help：查看更多高级选项。

（注：因为已安装NVIDIA驱动，故安装CUDA时有一个选项DRIVER即驱动不要勾选，否则会安装失败）

安装过程结束后会有以下信息：

Toolkit ：Installed in /usr/local/cuda-10.1
Samples ：Installed in /home/vincent

安装完成，重启。

3、验证是否成功安装CUDA

打开终端，输入：

export PATH="/usr/local/cuda-10.1/bin:$PATH" 
export LD_LIBRARY_PATH="/usr/local/cuda-10.1/lib64:$LD_LIBRARY_PATH" 

这两条命令是将cuda的bin文件和lib导出到系统环境中。

如果安装的版本不是一样的，更换路径中的cuda-10.1。

终端输入：

nvcc -V

出现版本信息则代表正常。

编译samples例子

编译并测试设备 deviceQuery：
cd /usr/local/cuda-9.2/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

#编译并测试带宽 bandwidthTest：
cd ../bandwidthTest
sudo make
./bandwidthTest

如果这两个测试的最后结果都是Result = PASS，说明CUDA安装成功。

将cuda的bin和lib写入系统环境

sudo gedit ~/.bashrc

打开~.bashrc文件在末尾追加：

export CUDA_HOME=/usr/local/cuda-10.1
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-10.1/bin:$PATH

然后在终端输入以使路径生效

. ~/.bashrc

参考链接：Linux安装CUDA的正确姿势

三、安装cuDNN

cuDNN的全称为NVIDIA CUDA® Deep Neural Network library，是NVIDIA专门针对深度神经网络（Deep Neural Networks）中的基础操作而设计基于GPU的加速库。cuDNN为深度神经网络中的标准流程提供了高度优化的实现方式，例如convolution、pooling、normalization以及activation layers的前向以及后向过程。

cuDNN下载

只要与cuda版本匹配就可以了

点击下载后，选择cuDNN Library for Linux

下载这个需要登录，直接用邮箱微信扫一扫登录就可以了

下载完成以后将其解压到Cuda的目录当中，依次执行如下命令：

tar -xzvf cudnn-10.1-linux-x64-v8.0.4.30.tgz

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*

网上有验证cuDNN是否安装成功的步骤，是查看cudnn.h文件，输入的是“cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2”，但是我输入后没有任何输出，后来看到了“安装成功后验证实际上显示的就是cudnn_version.h里的版本信息”，于是把cudnn.h改成cudnn_version.h。输入

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

成功显示版本信息。

Ubuntu16.04下安装cuda和cudnn的三种方法（亲测全部有效）

另：安装多个版本的cuda并切换

安装过程不变，
将~/.bashrc 或　~/.zshrc 下与cuda相关的路径都改为　/usr/local/cuda/　而不使用　/usr/local/cuda-10.1/ 或/usr/local/cuda-10.1/。

#切换cuda版本
rm -rf * /usr/local/cuda          #删除之前创建的软链接

sudo cp -r /usr/local/cuda-10.1/* /usr/local/cuda/

nvcc -V                     #查看当前 cuda 版本


#cuda8.0 切换到 cuda9.0 
rm -rf * /usr/local/cuda

sudo cp -r /usr/local/cuda-10.0/* /usr/local/cuda/

nvcc -V

四、安装TensorFlow

参考：在Linux服务器上配置tensorflow-gpu版（最详细教程）

系统中要有anaconda，这里就跳过了。

首先，建立TensorFlow版本环境

输入conda create -n （环境名称） python=3.6（python必须3.5或3.6，3.6以上版本tensorflow可能会报错）

conda create -n tensorflow36 python=3.6

等待完成。

输入source activate tensorflow36（我的环境名称为tensorflow36，可自己在创建是命名），进入创建的tensorflow环境。

在安装之前配置清华镜像，下载速度会很快.

在~/.config/.pip目录下新建（或修改）pip.conf文件

然后在文件中输入如下信息：

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

安装

根据版本对应关系，我就安装了2.3.0版，输入

pip install tensorflow-gpu==2.3.0

官网给出的TensorFlow与cuda版本对应

测试安装是否成功

网上给出这样的测试代码

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

但我运行后出现错误“RuntimeError: The Session graph is empty. Add operations to the graph before calling run().”

经过查找，了解是TensorFlow版本的原因，调用前没有给session清空

将上述代码改为：

import tensorflow as tf

g = tf.Graph()
with g.as_default():
 hello = tf.constant('Hello, TensorFlow!')
 sess = tf.compat.v1.Session(graph=g)
 print(sess.run(hello))

参考TensorFlow（踩坑）：RuntimeError: The Session graph is empty.

测试成功。

接下来就可以用cuda+TensorFlow进行机器学习相关的学习了。