原文博客：Doi技術團隊
連接地址：https://blog.doiduoyi.com/authors/1584446358138
初心：記錄優秀的Doi技術團隊學習經歷html

前言

最近在學習PaddlePaddle在各個顯卡驅動版本的安裝和使用，因此同時也學習如何在Ubuntu安裝和卸載CUDA和CUDNN，在學習過程當中，順便記錄學習過程。在供你們學習的同時，也在增強本身的記憶。本文章以卸載CUDA 8.0 和 CUDNN 7.05 爲例，以安裝CUDA 10.0 和 CUDNN 7.4.2 爲例。python

安裝顯卡驅動

禁用nouveau驅動

sudo vim /etc/modprobe.d/blacklist.conf

在文本最後添加：linux

blacklist nouveau
options nouveau modeset=0

而後執行：web

sudo update-initramfs -u

重啓後，執行如下命令，若是沒有屏幕輸出，說明禁用nouveau成功：vim

lsmod | grep nouveau

下載驅動

官網下載地址：https://www.nvidia.cn/Download/index.aspx?lang=cn ，根據本身顯卡的狀況下載對應版本的顯卡驅動，好比筆者的顯卡是RTX2070：
bash

下載完成以後會獲得一個安裝包，不一樣版本文件名可能不同：app

NVIDIA-Linux-x86_64-410.93.run

卸載舊驅動

如下操做都須要在命令界面操做，執行如下快捷鍵進入命令界面，並登陸：ide

Ctrl-Alt+F1

執行如下命令禁用X-Window服務，不然沒法安裝顯卡驅動：svg

sudo service lightdm stop

執行如下三條命令卸載原有顯卡驅動：oop

sudo apt-get remove --purge nvidia*
sudo chmod +x NVIDIA-Linux-x86_64-410.93.run
sudo ./NVIDIA-Linux-x86_64-410.93.run --uninstall

安裝新驅動

直接執行驅動文件便可安裝新驅動，一直默認便可：

sudo ./NVIDIA-Linux-x86_64-410.93.run

執行如下命令啓動X-Window服務

sudo service lightdm start

最後執行重啓命令，重啓系統便可：

reboot

注意： 若是系統重啓以後出現重複登陸的狀況，多數狀況下都是安裝了錯誤版本的顯卡驅動。須要下載對應自己機器安裝的顯卡版本。

卸載CUDA

爲何一開始我就要卸載CUDA呢，這是由於筆者是換了顯卡RTX2070，本來就安裝了CUDA 8.0 和 CUDNN 7.0.5不可以正常使用，筆者須要安裝CUDA 10.0 和 CUDNN 7.4.2，因此要先卸載原來的CUDA。注意如下的命令都是在root用戶下操做的。

卸載CUDA很簡單，一條命令就能夠了，主要執行的是CUDA自帶的卸載腳本，讀者要根據本身的cuda版本找到卸載腳本：

sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl

卸載以後，還有一些殘留的文件夾，以前安裝的是CUDA 8.0。能夠一併刪除：

sudo rm -rf /usr/local/cuda-8.0/

這樣就算卸載完了CUDA。

安裝CUDA

安裝的CUDA和CUDNN版本：

CUDA 10.0
CUDNN 7.4.2

接下來的安裝步驟都是在root用戶下操做的。

下載和安裝CUDA

咱們能夠在官網：CUDA10下載頁面，
下載符合本身系統版本的CUDA。頁面以下：

下載完成以後，給文件賦予執行權限：

chmod +x cuda_10.0.130_410.48_linux.run

執行安裝包，開始安裝：

./cuda_10.0.130_410.48_linux.run

開始安裝以後，須要閱讀說明，可使用Ctrl + C直接閱讀完成，或者使用空格鍵慢慢閱讀。而後進行配置，我這裏說明一下：

（是否贊成條款，必須贊成才能繼續安裝）
accept/decline/quit: accept

（這裏不要安裝驅動，由於已經安裝最新的驅動了，不然可能會安裝舊版本的顯卡驅動，致使重複登陸的狀況）
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48?
(y)es/(n)o/(q)uit: n

Install the CUDA 10.0 Toolkit?（是否安裝CUDA 10 ，這裏必需要安裝）
(y)es/(n)o/(q)uit: y

Enter Toolkit Location（安裝路徑，使用默認，直接回車就行）
 [ default is /usr/local/cuda-10.0 ]:  

Do you want to install a symbolic link at /usr/local/cuda?（贊成建立軟連接）
(y)es/(n)o/(q)uit: y

Install the CUDA 10.0 Samples?（不用安裝測試，自己就有了）
(y)es/(n)o/(q)uit: n

Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...（開始安裝）

安裝完成以後，能夠配置他們的環境變量，在vim ~/.bashrc的最後加上如下配置信息：

export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}

最後使用命令source ~/.bashrc使它生效。

可使用命令nvcc -V查看安裝的版本信息：

test@test:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sat_Aug_25_21:08:01_CDT_2018
Cuda compilation tools, release 10.0, V10.0.130

測試安裝是否成功

執行如下幾條命令：

cd /usr/local/cuda-10.0/samples/1_Utilities/deviceQuery
make
./deviceQuery

正常狀況下輸出：

./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce RTX 2070"
  CUDA Driver Version / Runtime Version          10.0 / 10.0
  CUDA Capability Major/Minor version number:    7.5
  Total amount of global memory:                 7950 MBytes (8335982592 bytes)
  (36) Multiprocessors, ( 64) CUDA Cores/MP:     2304 CUDA Cores
  GPU Max Clock rate:                            1620 MHz (1.62 GHz)
  Memory Clock rate:                             7001 Mhz
  Memory Bus Width:                              256-bit
  L2 Cache Size:                                 4194304 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  1024
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 3 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device supports Compute Preemption:            Yes
  Supports Cooperative Kernel Launch:            Yes
  Supports MultiDevice Co-op Kernel Launch:      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.0, CUDA Runtime Version = 10.0, NumDevs = 1
Result = PASS

下載和安裝CUDNN

進入到CUDNN的下載官網：https://developer.nvidia.com/rdp/cudnn-download ，然點擊Download開始選擇下載版本，固然在下載以前還有登陸，選擇版本界面以下，咱們選擇cuDNN Library for Linux：

下載以後是一個壓縮包，以下：

cudnn-10.0-linux-x64-v7.4.2.24.tgz

而後對它進行解壓，命令以下：

tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz

解壓以後能夠獲得如下文件：

cuda/include/cudnn.h
cuda/NVIDIA_SLA_cuDNN_Support.txt
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.7
cuda/lib64/libcudnn.so.7.4.2
cuda/lib64/libcudnn_static.a

使用如下兩條命令複製這些文件到CUDA目錄下：

cp cuda/lib64/* /usr/local/cuda-10.0/lib64/
cp cuda/include/* /usr/local/cuda-10.0/include/

拷貝完成以後，可使用如下命令查看CUDNN的版本信息：

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

測試安裝結果

到這裏就已經完成了CUDA 10 和 CUDNN 7.4.2 的安裝。能夠安裝對應的Pytorch的GPU版本測試是否能夠正常使用了。安裝以下：

pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.0-cp35-cp35m-linux_x86_64.whl
pip3 install torchvision

而後使用如下的程序測試安裝狀況：

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torch.backends.cudnn as cudnn
from torchvision import datasets, transforms


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)


def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))

def main():
    cudnn.benchmark = True
    torch.manual_seed(1)
    device = torch.device("cuda")
    kwargs = { 
 
   'num_workers': 1, 'pin_memory': True}
    train_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=True, download=True,
                       transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
        batch_size=64, shuffle=True, **kwargs)

    model = Net().to(device)
    optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

    for epoch in range(1, 11):
        train(model, device, train_loader, optimizer, epoch)


if __name__ == '__main__':
    main()

若是正常輸出一下如下信息，證實已經安裝成了：

Train Epoch: 1 [0/60000 (0%)]	Loss: 2.365850
Train Epoch: 1 [640/60000 (1%)]	Loss: 2.305295
Train Epoch: 1 [1280/60000 (2%)]	Loss: 2.301407
Train Epoch: 1 [1920/60000 (3%)]	Loss: 2.316538
Train Epoch: 1 [2560/60000 (4%)]	Loss: 2.255809
Train Epoch: 1 [3200/60000 (5%)]	Loss: 2.224511
Train Epoch: 1 [3840/60000 (6%)]	Loss: 2.216569
Train Epoch: 1 [4480/60000 (7%)]	Loss: 2.181396

參考資料

https://developer.nvidia.com
https://www.cnblogs.com/luofeel/p/8654964.html

<p>深度學習與PyTorch實戰</p> </div> <p/>

本文同步分享在博客「夜雨飄零1」（CSDN）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。

Ubuntu安裝和卸載CUDA和CUDNN

目錄

文章目錄

前言