Ubuntu安装和卸载CUDA和CUDNN的实现
⽬录
前⾔
安装显卡驱动
卸载CUDA
安装CUDA
测试安装是否成功
参考资料
前⾔
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
sudo vim /etc/modprobe.f
在⽂本最后添加：
blacklist nouveau
options nouveau modeset=0
然后执⾏：
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：
lsmod | grep nouveau
下载驱动
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：
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：
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：
sudo service lightdm stop
执⾏以下三条命令卸载原有显卡驱动：
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：
sudo ./NVIDIA-Linux-x86_64-410.93.run
执⾏以下命令启动X-Window服务
sudo service lightdm start
最后执⾏重启命令，重启系统即可：
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版本到卸载脚本：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：
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：，
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：
chmod +x cuda_10.0.130_410.48_linux.run
执⾏安装包，开始安装：
./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：（是否同意条款，必须同意才能继续安装）
ubuntu vim命令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：
export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}
最后使⽤命令source ~/.bashrc使它⽣效。
可以使⽤命令nvcc -V查看安装的版本信息：
test@test:~$ 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：
cd /usr/local/cuda-10.0/samples/1_Utilities/deviceQuery
make
./deviceQuery
正常情况下输出：
./
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
下载之后是⼀个压缩包，如下：
cudnn-10.0-linux-x64-v7.4.
然后对它进⾏解压，命令如下：
tar -zxvf cudnn-10.0-linux-x64-v7.4.
解压之后可以得到以下⽂件：
cuda/include/cudnn.h
cuda/NVIDIA_SLA_
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：
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：
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：pip3 install /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：
import torch
as 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.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = F.relu(F.max_v1(x), 2))
x = F.relu(F.max_v2_v2(x)), 2))
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = F.dropout(x, aining)
x = self.fc2(x)
return F.log_softmax(x, dim=1)
def train(model, device, train_loader, optimizer, epoch):
for batch_idx, (data, target) in enumerate(train_loader):
data, target = (device), (device)
<_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
参考资料
到此这篇关于Ubuntu安装和卸载CUDA和CUDNN的实现的⽂章就介绍到这了，更多相关Ubuntu安装和卸载CUDA和CUDNN内容请搜索以前的⽂章或继续浏览下⾯的相关⽂章希望⼤家以后多多⽀持！

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。