搬瓦工中文网
最近在学习PaddlePaddle在各个显卡驱动版本的安装和使用，所以同时也学习如何在Ubuntu安装和卸载CUDA和CUDNN，在学习过程中，顺便记录学习过程。在供大家学习的同时，也在加强自己的记忆。本文章以卸载CUDA 8.0 和 CUDNN 7.05 为例，以安装CUDA 10.0 和 CUDNN 7.4.2 为例。
安装显卡驱动
禁用nouveau驱动
?
| 1 | sudo vim /etc/modprobe .d /blacklist .conf |
在文本最后添加：
?
| 1 2 | blacklist nouveau options nouveau modeset=0 |
然后执行：
?
| 1 | sudo update-initramfs -u |
重启后，执行以下命令，如果没有屏幕输出，说明禁用nouveau成功：
?
| 1 | lsmod | grep nouveau |
下载驱动
官网下载地址：https://www.nvidia.cn/Download/index.aspx?lang=cn，根据自己显卡的情况下载对应版本的显卡驱动，比如笔者的显卡是RTX2070：
下载完成之后会得到一个安装包，不同版本文件名可能不一样：
?
| 1 | NVIDIA-Linux-x86_64-410.93.run |
卸载旧驱动
以下操作都需要在命令界面操作，执行以下快捷键进入命令界面，并登录：
?
| 1 | Ctrl-Alt+F1 |
执行以下命令禁用X-Window服务，否则无法安装显卡驱动：
?
| 1 | sudo service lightdm stop |
执行以下三条命令卸载原有显卡驱动：
?
| 1 2 3 | 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 |
安装新驱动
直接执行驱动文件即可安装新驱动，一直默认即可：
?
| 1 | sudo . /NVIDIA-Linux-x86_64-410 .93.run |
执行以下命令启动X-Window服务
?
| 1 | sudo service lightdm start |
最后执行重启命令，重启系统即可：
?
| 1 | reboot |
注意： 如果系统重启之后出现重复登录的情况，多数情况下都是安装了错误版本的显卡驱动。需要下载对应本身机器安装的显卡版本。
卸载CUDA
为什么一开始我就要卸载CUDA呢，这是因为笔者是换了显卡RTX2070，原本就安装了CUDA 8.0 和 CUDNN 7.0.5不能够正常使用，笔者需要安装CUDA 10.0 和 CUDNN 7.4.2，所以要先卸载原来的CUDA。注意以下的命令都是在root用户下操作的。
卸载CUDA很简单，一条命令就可以了，主要执行的是CUDA自带的卸载脚本，读者要根据自己的cuda版本找到卸载脚本：
?
| 1 | sudo /usr/local/cuda-8 .0 /bin/uninstall_cuda_8 .0.pl |
卸载之后，还有一些残留的文件夹，之前安装的是CUDA 8.0。可以一并删除：
?
| 1 | sudo rm -rf /usr/local/cuda-8 .0/ |
这样就算卸载完了CUDA。
安装CUDA
安装的CUDA和CUDNN版本：
- CUDA 10.0
- CUDNN 7.4.2
接下来的安装步骤都是在root用户下操作的。
下载和安装CUDA
我们可以在官网：CUDA10下载页面，
下载符合自己系统版本的CUDA。页面如下：
下载完成之后，给文件赋予执行权限：
?
| 1 | chmod +x cuda_10.0.130_410.48_linux.run |
执行安装包，开始安装：
?
| 1 | . /cuda_10 .0.130_410.48_linux.run |
开始安装之后，需要阅读说明，可以使用Ctrl + C直接阅读完成，或者使用空格键慢慢阅读。然后进行配置，我这里说明一下：
?
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | （是否同意条款，必须同意才能继续安装） accept/decline/quit: accept （这里不要安装驱动，因为已经安装最新的驱动了，否则可能会安装旧版本的显卡驱动，导致重复登录的情况） Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48? (y)es/(n)o/(q)uit: n Install the CUDA 10.0 Toolkit?（是否安装CUDA 10 ，这里必须要安装） (y)es/(n)o/(q)uit: y Enter Toolkit Location（安装路径，使用默认，直接回车就行） [ default is /usr/local/cuda-10.0 ]: Do you want to install a symbolic link at /usr/local/cuda?（同意创建软链接） (y)es/(n)o/(q)uit: y Install the CUDA 10.0 Samples?（不用安装测试，本身就有了） (y)es/(n)o/(q)uit: n Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...（开始安装） |
安装完成之后，可以配置他们的环境变量，在vim ~/.bashrc的最后加上以下配置信息：
?
| 1 2 3 | export CUDA_HOME=/usr/local/cuda-10.0 export LD_LIBRARY_PATH=${CUDA_HOME}/lib64 export PATH=${CUDA_HOME}/bin:${PATH} |
最后使用命令source ~/.bashrc使它生效。
可以使用命令nvcc -V查看安装的版本信息：
?
| 1 2 3 4 5 | test@test:~$ 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 |
测试安装是否成功
执行以下几条命令：
?
| 1 2 3 | cd /usr/local/cuda-10 .0 /samples/1_Utilities/deviceQuery make . /deviceQuery |
正常情况下输出：
?
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 | ./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 |
下载和安装CUDNN
进入到CUDNN的下载官网：https://developer.nvidia.com/rdp/cudnn-download，然点击Download开始选择下载版本，当然在下载之前还有登录，选择版本界面如下，我们选择cuDNN Library for Linux：
下载之后是一个压缩包，如下：
?
| 1 | cudnn-10.0-linux-x64-v7.4.2.24.tgz |
然后对它进行解压，命令如下：
?
| 1 | tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz |
解压之后可以得到以下文件：
?
| 1 2 3 4 5 6 | 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 |
使用以下两条命令复制这些文件到CUDA目录下：
?
| 1 2 | cp cuda /lib64/ * /usr/local/cuda-10 .0 /lib64/ cp cuda /include/ * /usr/local/cuda-10 .0 /include/ |
拷贝完成之后，可以使用以下命令查看CUDNN的版本信息：
?
| 1 | cat /usr/local/cuda/include/cudnn .h | grep CUDNN_MAJOR -A 2 |
测试安装结果
到这里就已经完成了CUDA 10 和 CUDNN 7.4.2 的安装。可以安装对应的Pytorch的GPU版本测试是否可以正常使用了。安装如下：
?
| 1 2 | pip3 install https: / / download.pytorch.org / whl / cu100 / torch - 1.0 . 0 - cp35 - cp35m - linux_x86_64.whl pip3 install torchvision |
然后使用以下的程序测试安装情况：
?
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 | 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() |
如果正常输出一下以下信息，证明已经安装成了：
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
