深度学习GPU环境安装教程:Ubuntu16.04+1080(Ti)显卡驱动+CUDA+cuDNN(亲测3次,完美安装)

安装显卡驱动

当前只装了ubuntu16.04单系统,亲测可用,之前ubuntu16.04+win10双系统下也是这种方法装的,只是需要切换视频线的接口,可参考这篇


1.装好ubuntu16.04 2.主板中取消secure boot,同时取消快速启动(不清楚这个不取消,会怎么样,好像大家都取消),重启电脑 3.在终端中加入ppa源

sudo add-apt-repository ppa:graphics-drivers/ppa

4.在终端中安装最新的显卡驱动

sudo apt-get update
sudo apt-get install nvidia-390

型号在这查看(不用下载),版本低了后面会提示升级:http://www.geforce.cn/drivers

5.装完驱动后重启,完成,输入下面命令查看。

nvidia-smi

注意: a 不需要屏蔽nouveau的驱动,完美安装,跟其它教程好像不太一样 b 可以查看ppa上是否提供当前系统版本的驱动,ppa显卡驱动的网址:https://launchpad.net/~graphics-drivers/+archive/ubuntu/ppa c 如果需要卸载nvidia驱动(比如进入无限登陆界面时),在终端或者tty1控制台Ctrl+Alt+F1(输入账号及密码后)输入:sudo apy-get purge nvidia*此时重启系统会默认使用nouveau的驱动

安装CUDA

CUDA是开发、优化和部署GPU加速的应用程序,CUDA工具包提供了创建高性能的GPU加速应用程序的开发环境,要使用GPU进行深度学习开发,就必须有CUDA。 1、下载CUDA 去NVIDIA官网自行下载,这里我装9.0版本:

cuda_9.0.176_384.81_linux.run 

终端进入cuda_9.0.176_384.81_linux.run文件所在目录,执行以下命令开始安装:

$ sudo sh cuda_9.0.176_384.81_linux.run 

其间,显示完协议说明之后会有相关选项需要输入指令做出配置:

accept/decline/quit: # 是否接受协议,输入accept接受协议。 

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.81? # 是否安装显卡驱动,选择n。 

Install the CUDA 9.0 Toolkit? # 是否安装工具包,输入y。 

Enter Toolkit Location[ default is /usr/local/cuda-9.0 ]: # 工具包安装地址。 

Do you want to install a symbolic link at /usr/local/cuda? # 添加链接,输入y。 

Install the CUDA 9.0 Samples? # 安装CUDA样例,输入y。 

Enter CUDA Samples Location[ default is /home/lwp]: # 样例安装地址,根据自己开发需求选择路径,这里选择/home/lwp/beetuapp。 

等待安装完成后修改~/.bashrc文件,在文件的末尾添加CUDA的环境变量。:

终端执行命令:

$ sudo vim ~/.bashrc

打开配置文件后在末尾添加以下内容并保存:

export PATH="/usr/local/cuda-9.0/bin:$PATH" 

export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH" 

export CUDA_HOME="/usr/local/cuda-9.0:$CUDA_HOME" 

运行测试样例,查看CUDA是否安装成功:

进入样例工程文件夹,执行$ make命令编译工程,使用$ ls命令查看生成的可执行文件。

执行该可执行文件$ ./deviceQuery,生成下图信息则说明安装成功。

卸载CUDA(备用) sudo /usr/local/cuda-9.0/bin/uninstall_cuda_9.0.pl sudo rm -r /usr/local/cuda-9.0

安装cuDNN

cuDNN是一个专门针对深层神经网络的GPU加速库。研究者依靠cuDNN为高性能GPU加速。这使得研究者可以专注于神经网络的训练和应用的开发,而不用因为低性能的GPU花费过多的时间。cuDNN目前提供了很多深度学习框架的支持,包括TensorFlow、Caffe2、Theano和PyTorch等。

根据系统环境下载合适的安装包,选择下载cuDNN v7.0.5 Library for Linux。下载完成后,进入文件所在目录,执行命令进行解压缩,解压得到如图5-7所示文件。

$ tar -zxvf cudnn-9.0-linux-x64-v7.taz 

然后,将cuDNN相应文件添加到CUDA库,在终端执行以下命令:

$ sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ 

$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ 

最后,修改添加到CUDA库的cuDNN权限:

$ sudo chmod a+r /usr/local/cuda/include/cudnn.h  

$ sudo chmod a+r /usr/local/cuda/lib64/libcudnn* 

完成!

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券