文章目录

• • • 1. 先修知识
    • • 1.1 显卡
      • 1.2 显卡驱动
      • 1.3 Cuda
      • 1.4 Cudnn
      • 1.5 GPU
      • 1.6 **Nouveau**
      • 1.7 **GCC是GNU编译器套件**
    • 2. 检查本地配置
    • 3.NVIDIA显卡驱动安装
    • • 3.1 官网下载run文件
      • 3.2 用指令查看版本
      • 3.3 删除旧的显卡驱动
      • 3.4 禁止自带的nouveau nvidia驱动
      • 3.5 修改bios设置
      • 3.6 安装驱动
      • 3.7 安装结束后重启电脑，再查看是否安装成功
      • 3.8 重新打开桌面
      • 3.9 或使用PPA仓库自动化安装
    • **4. 安装CUDA**
    • • **4.1 在线安装**
      • 4.2 run文件本地安装runfile(local)
    • 5.安装CUDNN
    • 5. tensorflow

1. 先修知识

1.1 显卡

全称显示接口卡，又称显示适配器，用途是将计算机系统所需要的显示信息进行转换驱动显示器，并向显示器提供逐行或隔行扫描信号，控制显示器的正确显示，

显卡接在电脑主板上，它将电脑的数字信号转换成模拟信号让显示器显示出来。

原始的显卡一般都是集成在主板上，只完成最基本的信号输出工作，并不用来处理数据。随着显卡的迅速发展，就出现了GPU的概念，显卡也分为独立显卡和集成显卡。

1.2 显卡驱动

显卡驱动就是用来驱动显卡的程序，它是硬件所对应的软件。驱动程序即添加到操作系统中的一小块代码，其中包含有关硬件设备的信息。有了此信息，计算机就可以与设备进行通信。驱动程序是硬件厂商根据操作系统编写的配置文件，可以说没有驱动程序，计算机中的硬件就无法工作。操作系统不同，硬件的驱动程序也不同。

1.3 Cuda

是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。CUDA在拥有开发套件(CUDA Toolkit, NVIDIA GPU Computing SDK以及NSight等等)注意，并不是所有GPU都支持CUDA，实际上CUDA是NAVIDIA推出来只用于自己GPU的并行计算框架

1.4 Cudnn

NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算。

1.5 GPU

图形处理器，又称显示核心、视觉处理器、显示芯片，GPU是显卡上的一块芯片，是显卡的中央处理器，是一种专门做图像和图形相关运算工作的微处理器，GPU使显卡减少了对CPU的依赖，并进行部分原本CPU的工作。CPU负责逻辑性强的事物处理和串行计算，GPU则专注于执行高度线程化的并行处理任务（大规模计算任务）

1.6 Nouveau

这是一个旨在为nvidia的GPU建立高质量的，免费自由的开源驱动项目，nouveau[nuvo]与new谐音， 是Linux KMS驱动的一部份，最新的版本在Linux内核中支持nvidia的帕斯卡构架

1.7 GCC是GNU编译器套件

它包括了C、C++、Objective-C、Fortran、Java、Ada、Go语言和D语言的前端，也包括了这些语言的库（如libstdc++、libgcj等等），个用于linux系统下编程的编译器 是一个用于编程开发的自由编译器

2. 检查本地配置

在win10下发现显示适配器只有一个Intel® HD Graphics 630，在安装ubuntu双系统之前还有NAVIDIA，因 为在bios-onfiguration-graphic device-uMa only，改成只使用集成的显卡显卡：GTX1050Ti 4G
CPU：Intel(R）Core(TM）i7-7700HQ CPU @2.8GHZ 2.8GHZ

3.NVIDIA显卡驱动安装

安装英伟达显卡驱动的方法主要有三种：

使用标准仓库自动化安装；

使用官 方的NVIDIA驱动进行手动安装；

使用PPA仓库自动化安装。

​ 主要要清楚对应显卡驱动的稳定版本

3.1 官网下载run文件

 https://www.geforce.cn/drivers

选择对应的GPU卡，不要下载RHEL专用驱动，驱动的版本与cuda、cudnn无联系，可以安装电脑对应的驱动或者最新的驱动

3.2 用指令查看版本

查看本电脑可用的驱动版本

 ubuntu-drivers devices

查看显卡型号

lspci | grep -i nvidia

查看驱动版本

sudo dpkg --list | grep nvidia-*

3.3 删除旧的显卡驱动

Linux默认安装的显卡驱动不是英伟达的驱动，所以先把旧得驱动删除掉

 sudo apt-get purge remove  nvidia-*

3.4 禁止自带的nouveau nvidia驱动

ubuntu自带的nouveau驱动会影响cuda安装，不当操作会导致黑屏和登陆循环。输 入代码后没有输出结果。可用修改blacklist.conf文件，不允许修改则先用chmode修改属性

修改属性

 sudo chmod 666 /etc/modprobe.d/blacklist.conf 

直接打开blacklist文件，在文件最末尾加入下面两行代码行，然后点击保存，最后关闭文件。（如果终端显示不支持操作，不用管它，还是能成的。）

blacklist nouveau 

options nouveau modeset=0 

然后记得将文件权限复原

sudo chmod 644 /etc/modprobe.d/blacklist.conf

更新

sudo update-initramfs -u

在终端输入以下代码重启电脑，完成修改

sudo reboot

检测电脑是否已经屏蔽成功

lsmod | grep nouveau

或者直接删除

   cd /lib/modules/3.0.0-12-generic/kernel/drivers/gpu/drm/nouveau/

   rm -rf nouveau.ko

   rm -rf nouveau.ko.org //（nouveau.ko.org 此文件一般是隐藏的）

之后跟随更新及其以后的步骤相同

3.5 修改bios设置

Secure Boot选择Disabled
关闭图形化界面

sudo service lightdm stop

 sudo systemctl stop gdm.server

 sudo init 3

ctal+alt+f1,登录进入到字符界面

3.6 安装驱动

 sudo chmod a+x NVIDIA-Linux-x86_64-415.13.run //获取权限

 sudo ./NVIDIA-Linux-x86_64-415.13.run //安装驱动

3.7 安装结束后重启电脑，再查看是否安装成功

sudo nvidia-smi

sudo nvidia-settings

也可以查看系统配置—详细信息—关于，查看图像处理是否对应于自己的独立显卡

3.8 重新打开桌面

 service lightdm start

 sudo systemctl set-default multi-user.target #默认进入字符界面

 sudo systemctl set-default graphical.target  #默认进入图形界面

3.9 或使用PPA仓库自动化安装

同样需要在bios禁用secure boot，但是非手动安装不需要禁用nouveau

sudo apt-get purge nvidia-* # 删除可能存在的已有驱动,但是此处没有接 

关闭图形界面

sudo add-apt-repository ppa:graphics-drivers/ppa # 添加第三方驱动源

sudo apt-get update # 更新源，运行

sudo apt-cache search nvidia-* # 查询nvidia驱动可用版本

sudo apt-get install nvidia-390 # 这里选择安装nvidia-390

sudo reboot //重启

重启后执行下面的步骤

检验是否安装成功

nvidia-smi  

nvidia-settings

忘记在哪里看的图了，侵权删

4. 安装CUDA

CUDA9.0要求GCC版本是5.x或者6.x，其他版本不可以

采用conda安装tensorflow-gpu不需要单独安装cuda和cudnn，conda会下载并安装好，不需要考虑版本依赖的问题

安装cuda需要根据cuDNN 来选择，首先，cuda官网中支持ubumtu18.04的最低版本为cuda10.0，但系统也可以兼容低版本的

安装cuda需要查清楚所要安装的tensorflow版本对应的uda版本，可以通过navidia开发者官网搜索

查看CUDA版本,进入安装目录，执行cat version.txt

4.1 在线安装

（deb[network])比下载安装包(deb[local])更快更加稳妥，安装过程会帮我们解决各种依赖问题
到下载路径下执行建议的命令

sudo dpkg -i cuda-repo-ubuntu1804_10.1.105-1_amd64.deb

sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub

sudo apt-get update

sudo apt-get install cuda

执行第一句时,会提示添加apt-key,把提示的命令输一下,继续运行即可.

到这里，执行nvcc -V 提示没有cuda tool,需要将cuda安装路径加入环境变量。

cuda路径可能有所不同，可以cd过去确认

执行

 gedit ~/.bashrc

在文件最后添加

export PATH=/usr/local/cuda/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

export CUDA_HOME=/usr/local/cuda

在写的时候export PATH=/usr/local/cuda/binKaTeX parse error: Expected '}', got 'EOF' at end of input: {PATH:+:{PATH}}，没有将cuda写成相应的cuda版本。

如export PATH=/usr/local/cuda9.0/binKaTeX parse error: Expected '}', got 'EOF' at end of input: {PATH:+:{PATH}}。

这样写的好处是，我们只要将usr/local目录下的不同版本的cuda通过软连接，去链接就可以了，不用再每次安装不同的cuda后，去修改相应的.bashrc文件

如下命令建立一个cuda–cuda-9.0

sudo ln -s cuda-9.0 cuda

使环境变量在当前用户下永久有效

source ~/.bashrc

立即生效

nvcc -V

输出如下

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

4.2 run文件本地安装runfile(local)

下载CUDA 下载地址：https://developer.nvidia.com/cuda-toolkit-archive**，**选择9.1

GCC **降级（实际上，截止最迟18年五月份，cuda9.0已经支持gcc7.0)

由于CUDA 9.0仅支持GCC 6.0及以下版本，而Ubuntu 18.04预装GCC版本为7.3

故手动进行降级：

sudo apt-get install gcc-4.8

sudo apt-get install g++-4.8

装完后进入到/usr/bin目录下

$ls -l gcc*

会显示以下结果

lrwxrwxrwx 1 root root 7th May 16 18:16 /usr/bin/gcc -> gcc-7.3

发现gcc链接到gcc-7.0, 需要将它改为链接到gcc-4.8，方法如下:

sudo mv gcc gcc.bak //备份

sudo ln -s gcc-4.8 gcc //重新链接

同理，对g++也做同样的修改：

ls -l g++*

lrwxrwxrwx 1 root root 7th May 15:17 g++ -> g++-7.3

需要将g++链接改为g+±4.8:

sudo mv g++ g++.bak

sudo ln -s g++-4.8 g++

再查看gcc和g++版本号：

gcc -v g++ -v

均显示gcc version 4.8 ，说明gcc 4.8安装成功。

安装cuda 及其补丁

输入命令安装Base Installer：

sudo sh cuda_9.1.85_387.26_linux.run

需要注意的是，之前已经安装过显卡驱动程序，故在提问是否安装显卡驱动时选择no,其他 选择默认路径或者yes即可

然后，继续执行以下操作安装3个 patch ：

sudo sh cuda_9.1.85.1_linux.run

sudo sh cuda_9.1.85.2_linux.run

sudo sh cuda_9.1.85.3_linux.run

安装完毕之后，将以下两条加入.bashrc文件中.

sudo vim ~/.bashrc

export PATH=/usr/local/cuda-9.1/bin${PATH:+:$PATH}}   

注意，根据自己的版本，修改cuda-9.2/9.0…

export LD_LIBRARY_PATH=/usr/local/cuda-9.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

注意，根据自己的版本，修改cuda-9.2/9.0…

OK ,那么，到这一步，cuda 就安装完成了

某些参考来自来自 https://www.linuxidc.com/Linux/2019-02/157168.htm

5.安装CUDNN

根据cuDNN 的版本，目前，较为完善的，是cuDNN v7.0.5 ,其适用于 CUDA 9.1 版本，所以，咱们在选择安装cuda的时候，选择 CUDA 9.1。

查看CUDNN版本，进入安装目录，执行

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

如果你安装错了，可以通过如下命令消除，根据你安装文件夹的不同做相应调整。

sudo rm /usr/local/cuda/include/cudnn.h 

sudo rm /usr/local/cuda/lib64/libcudnn*

5. tensorflow

注意tensorflow版本请和cuda、cudnn配套，但是如果使用conda管理的话旧可以不用考虑搭配，其会安装好依赖

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GkeBY7NS-1618220784385)(D:\sum Up and Share\电脑系统\附图\1.png)]

要提醒你要注意的一点是，安装tensorflow时，不要忘记后面的-gpu选项。

sudo pip install tensorflow-gpu

Tensorflow 和tensorflow*-gpu的区别

Tensorflow-gpu跑的时候会调用gpu跑而不是在cpu上跑，据说这两个共存会有麻烦，而cpu版的tensorflow只会在CPU跑而不会在GPU跑,gpu版的tensorflow比普通版多了CUDA/CuDNN的kernel definition，也就是各种运算的高性能GPU实现。当然基于Eigen库的多线程CPU运算实现在tensorflow-gpu里面也有

**error**：CUDA driver version is insufficient for CUDA runtime version

原因：cuda驱动程序版本和cuda运行时版本不匹配，如果用conda install tensorflow-gpu 安装就会出现这个问题，这个会导致相应的cudnn和cuda Toolkit都会自动下载最新版的，而这些最新版的不一定和自己的gpu匹配。

解决：cuda的驱动程序版本就是NVIDIA GPU驱动程序版本