Ubuntu16重装显卡驱动并配置CUDA9.0、cuDnn、tensorflow1.12环境

其实之前很早就在Ubuntu上配置过tensorflow1.10的环境了，平时用也没啥问题，后来要看tensorflow的object detection模块，需要升级到tensorflow1.12版本以上。想着直接在原来的环境中直接使用命令pip install tensorflow-gpu==1.12就可以了，确实这样是可以安装好tensorflow，可以运行object detection demo的时候直接就报错了，大体意思就是 CUDA Driver Version 和CUDA Runtime Version不一致适合导致的。网上给出的方法主要是两种，一种是升级驱动，一种是降低tensorflow的版本，在这里我只能使用第一种了。所以就卸载原来的显卡驱动，然后安装新的显卡驱动程序。

1 卸载原来的驱动和CUDA

1.1 卸载原来的显卡驱动

1. 在卸载之前的先关闭图形界面的显示，使用Ctrl+Alt+F1进入命令行模式，然后输入命令sudo service lightdm stop关闭。(开启为：sudo serviece lightdm start)
2. 输入sudo apt-get purge nvidia*卸载掉原来的驱动，更多的卸载方式请[参考]((https://blog.csdn.net/ezhchai/article/details/80536949)
3. 重启系统，sudo reboot重启后会自动开启图形界面的显示。

1.2 卸载原来版本的CUDA

1. 输入命令sudo /usr/local/cuda-9.0/bin/uninstall_cuda-9.0.pl，这里的cuda-9.0是CUDA的版本号，我自己是9.0的，如果不知道自己CUDA的版本号，可以在终端使用nvcc -V命令查看。
2. 可能存在残留文件，使用sudo rm -r /usr/local/cuda-9.0。更多请参考
3. 如果彻底不用了，需要清除环境变量中对应的设置，这里我就不清除了，因为还要安装。

2 显卡驱动的安装

我的显卡为NVIDIA 1050Ti，显卡驱动的安装方式有三种，其中主流的有两种，一种是ppa源安装，一种是通过runfile的形式安装；通过runfile形式安装主要是可以解决通过ppa源安装后不断弹出登录界面的情况，而ppa源安装方式比较简单，而且是比较安全稳定的安装方式。

1. runfile的安装方式
   我之前使用了这种方式安装，在所有步骤都进行完了以后，在终端输入nvidia-smi可以弹出显卡的信息，然后输入nvidia-setting命令时，却报错了，无奈自己很菜啊，一直没有找到解决的方法，之后就换成了ppa源的方式安装了。如果要使用runfile的方式安装请参考
2. ppa源安装(本文使用)

2.1 禁用nouveau驱动(如果之前已经禁用了，跳过这步)

1. 修改blacklist.conf文件的属性，使用sudo chmod 666 /etc/modprobe.d/blacklist.conf
2. 使用gedit打开文件，sudo gedit /etc/modprobe.d/blacklist.conf
3. 在文件末尾增加如下命令：

blacklist vga16fb 
blacklist nouveau 
blacklist rivafb 
blacklist rivatv 
blacklist nvidiafb

4. 保存文件退出并将文件blacklist.conf属性还原，sudo chmod 644 /etc/modprobe.d/blacklist.conf
5. 更新内核，sudo update-initramfs -u
6. 重启后确认nouveau是否已经被屏蔽掉，使用lsmod | grep nouveau查看，如果什么都没有，则禁用nouveau驱动成功；如果有，那么请重复上面的操作。

2.2 驱动安装(ppa源安装)

1. 添加ppa源

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

2. 使用Ctrl+Alt+F1进入命令行模式，并使用命令sudo service lightdm stop关闭图形界面的显示。
3. 找到合适的驱动，输入ubuntu-drivers devices命令后，会弹出当前适合你显卡的驱动，一般选择recommend那个，我这里使用的是nvidia-396
4. 驱动安装，sudo apt-get install nvidia-396，安装速度跟网速有关。
5. 重启系统，sudo reboot
6. 输入nvidia-smi查看显卡信息，输入nvidia-settings打开显卡设置；如果都成功则安装成功。

3 CUDA的安装和cuDNN配置

3.1 CUDA的安装

在Ubuntu上CUDA的安装主要有两种方式，一种是使用.deb文件安装，一种是使用runfile的形式安装。使用runfile的安装方式可以选择不安装CUDA包中推荐的显卡驱动，而使用.deb文件则会默认安装其自带的显卡驱动，这样的话之前的工作就白做了。

1. 首先去官网下载对应的CUDA版本，我这里使用的是CUDA9.0，因为tensorflow对CUDA9.0的支持更好。
2. 最好将下载的文件放置在home目录下，方便安装。
3. 重启电脑，按Ctrl + Alt + F1进入命令行，并使用命令sudo service lightdm stop关闭图形界面的显示。
4. 安装CUDA，sudo sh cuda_9.0.176_384.81_linux.run，在安装过程中，除了选择driver安装那一项为n，其余均选择y或则accept。
5. sudo reboot重启电脑，当然也可以不用重启，使用sudo service lightdm start开启图形界面的显示。
6. 配置环境变量，运行如下命令打开profile文件，sudo gedit /etc/profile　
   在文件末尾添加：

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

7. 输入，sudo source /etc/profile使其生效。
8. 添加CUDA-lib的路径，打开文件sudo vi /etc/ld.so.conf.d/cuda.conf，在文件末尾添加/usr/local/cuda/lib64，进入底行模式(ESC键)后如果wq保存退出；输入命令sudo ldconfig使其生效。
9. 检测环境变量是否添加成功，输入nvcc -V或者nvcc -version，查看CUDA信息，如下图显示则表示配置成功。
   

3.2 编译CUDA Samples

为啥要编译呢，究竟安装成功没有，编译一把就知道了。到CUDA samples的目录下打开终端，输入make -j4，4表示计算机是4核，8用8核，我这里电脑是4核的，所以写了4，这样可以编译快一点。
如果编译成功，会出现Finished building CUDA samples。输入以下命令验证安装：

1. 编译后生成的文件在/home/lxxx/NVIDIA_CUDA-9.0_Samples/bin/x86_64/linux/release目录下，在终端输入cd /home/lxxx/NVIDIA_CUDA-9.0_Samples/bin/x86_64/linux/release，其中xxx是你的计算机名，然后输入./deviceQuery，出现Result = PASS代表成功,Result = FAIL表示失败。
2. 输入./bandwidthTest检查一下系统和CUDA-Capable device的连接情况，同样出现Result = PASS代表成功,Result = FAIL表示失败。
   在编译过程中可能遇到的问题：
3. 编译一开始就报错，可能是gcc的问题。
4. 在编译过程中，出现not found lgut等类似错误，表明确实某个库，或则软连接，具体解决方法参考，参考

3.3 cuDNN的配置

1. 去官网下载需要的cuDNN版本，我这里下载的是7.3forCUDA9.0的二进制文件。
   
2. 解压文件，会在当前目录下生成一个cuda的文件夹，在当前目录下进入终端。
3. 替换CUDA安装时的文件

sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

4. 更改文件权限，

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

5. 更新软连接(这步非常重要，否则可能会在运行tensorflow的时候出现错误)，这里需要在/usr/local/cuda/lib64目录下输入如下命令：

sudo ln -sf libcudnn.so.7.3.0 libcudnn.so.7  
sudo ln -sf libcudnn.so.7 libcudnn.so  
sudo ldconfig  

6. 查看cuDNN的版本，sudo cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A2。如下图所示，我这里是7.3.0：
   
   大功告成，CUDA和cuDNN的配置到这里就结束了。
   上述配置过程参考1，参考2

4 Tensorflow的安装

我这里使用的anaconda下创建的tensorlfow虚拟环境来安装的，具体的安装过程，网上有很多的博客，我这里就不列举了，这里指说明我遇到的错误。在刚开始的时候，我使用pip install tensorlfow-gpu==1.10来安装1.10版本的tensorflow，后来要使用object detection模块，就升级了tensorflow的版本，手贱的我，使用了conda install tensorflow-gpu==1.12的命令，我以为会直接覆盖掉，后来证明我想多了，在同一个虚拟环境下共存了两个tensorflow的版本，一旦利用gpu跑网络的时候就出问题，系统不知道去调用那个tensorflow。另外在使用conda命令安装时，会默认给你安装cuda的环境，是不是贼坑，这样就可能让你的显卡驱动版本和CUDA的版本不合适了。所以建议在使用anaconda安装tensorlfow时，最好还是使用pip命令安装。这里给出几个查看tensorflow环境下安装tensorlfow具体方式和版本的命令。

1. conda list tensorflow，会列出此环境下的tensorflow。如下图所示，我这里显示的只有pip命令安装的tensorflow-gpu.
   
2. conda list cudnn，会列出anaconda在此环境下安装的CUDA toolkit。我这里显示啥都没有，就表示没有用conda来安装了CUDA。