目錄
- 前言
- 安裝顯卡驅動
- 卸載CUDA
- 安裝CUDA
- 測試安裝是否成功
- 參考資料
前言
最近在學習PaddlePaddle在各個顯卡驅動版本的安裝和使用，所以同時也學習如何在Ubuntu安裝和卸載CUDA和CUDNN，在學習過程中，順便記錄學習過程。在供大家學習的同時，也在加強自己的記憶。本文章以卸載CUDA 8.0 和 CUDNN 7.05 為例，以安裝CUDA 10.0 和 CUDNN 7.4.2 為例。
安裝顯卡驅動
禁用nouveau驅動
sudo vim /etc/modprobe.d/blacklist.conf
在文本最后添加：
blacklist nouveau
options nouveau modeset=0
然后執行：
重啟后，執行以下命令，如果沒有屏幕輸出，說明禁用nouveau成功：
下載驅動
官網下載地址：https://www.nvidia.cn/Download/index.aspx?lang=cn ，根據自己顯卡的情況下載對應版本的顯卡驅動，比如筆者的顯卡是RTX2070：
下載完成之后會得到一個安裝包，不同版本文件名可能不一樣：
NVIDIA-Linux-x86_64-410.93.run
卸載舊驅動
以下操作都需要在命令界面操作，執行以下快捷鍵進入命令界面，并登錄：
執行以下命令禁用X-Window服務，否則無法安裝顯卡驅動：
sudo service lightdm stop
執行以下三條命令卸載原有顯卡驅動：
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
直接執行驅動文件即可安裝新驅動，一直默認即可：
sudo ./NVIDIA-Linux-x86_64-410.93.run
執行以下命令啟動X-Window服務
sudo service lightdm start
最后執行重啟命令，重啟系統即可：
注意： 如果系統重啟之后出現重復登錄的情況，多數情況下都是安裝了錯誤版本的顯卡驅動。需要下載對應本身機器安裝的顯卡版本。
卸載CUDA
為什么一開始我就要卸載CUDA呢，這是因為筆者是換了顯卡RTX2070，原本就安裝了CUDA 8.0 和 CUDNN 7.0.5不能夠正常使用，筆者需要安裝CUDA 10.0 和 CUDNN 7.4.2，所以要先卸載原來的CUDA。注意以下的命令都是在root用戶下操作的。
卸載CUDA很簡單，一條命令就可以了，主要執行的是CUDA自帶的卸載腳本，讀者要根據自己的cuda版本找到卸載腳本：
sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl
卸載之后，還有一些殘留的文件夾，之前安裝的是CUDA 8.0。可以一并刪除：
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：
接下來的安裝步驟都是在root用戶下操作的。
下載和安裝CUDA
我們可以在官網：CUDA10下載頁面，
下載符合自己系統版本的CUDA。頁面如下：
下載完成之后，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
開始安裝之后，需要閱讀說明，可以使用Ctrl + C直接閱讀完成，或者使用空格鍵慢慢閱讀。然后進行配置，我這里說明一下：
（是否同意條款，必須同意才能繼續安裝）
accept/decline/quit: accept
（這里不要安裝驅動，因為已經安裝最新的驅動了，否則可能會安裝舊版本的顯卡驅動，導致重復登錄的情況）
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 ，這里必須要安裝）
(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?（同意創建軟鏈接）
(y)es/(n)o/(q)uit: y
Install the CUDA 10.0 Samples?（不用安裝測試，本身就有了）
(y)es/(n)o/(q)uit: n
Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...（開始安裝）
安裝完成之后，可以配置他們的環境變量，在vim ~/.bashrc的最后加上以下配置信息：
export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}
最后使用命令source ~/.bashrc使它生效。
可以使用命令nvcc -V查看安裝的版本信息：
test@test:~$ 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
執行以下幾條命令：
cd /usr/local/cuda-10.0/samples/1_Utilities/deviceQuery
make
./deviceQuery
正常情況下輸出：
./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，當然在下載之前還有登錄，選擇版本界面如下，我們選擇cuDNN Library for Linux：
下載之后是一個壓縮包，如下：
cudnn-10.0-linux-x64-v7.4.2.24.tgz
然后對它進行解壓，命令如下：
tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz
解壓之后可以得到以下文件：
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
使用以下兩條命令復制這些文件到CUDA目錄下：
cp cuda/lib64/* /usr/local/cuda-10.0/lib64/
cp cuda/include/* /usr/local/cuda-10.0/include/
拷貝完成之后，可以使用以下命令查看CUDNN的版本信息：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
測試安裝結果
到這里就已經完成了CUDA 10 和 CUDNN 7.4.2 的安裝。可以安裝對應的Pytorch的GPU版本測試是否可以正常使用了。安裝如下：
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測試安裝情況：
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()
如果正常輸出一下以下信息，證明已經安裝成了：
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
到此這篇關于Ubuntu安裝和卸載CUDA和CUDNN的實現的文章就介紹到這了,更多相關Ubuntu安裝和卸載CUDA和CUDNN內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
