Ubuntu16重装显卡驱动并配置CUDA9.0、cuDnn、tensorflow1.12环境

梦里梦外; 2022-03-07 07:38 184阅读 0赞

其实之前很早就在Ubuntu上配置过tensorflow1.10的环境了，平时用也没啥问题，后来要看tensorflow的object detection模块，需要升级到tensorflow1.12版本以上。想着直接在原来的环境中直接使用命令`pip install tensorflow-gpu==1.12`就可以了，确实这样是可以安装好tensorflow，可以运行object detection demo的时候直接就报错了，大体意思就是 CUDA Driver Version 和CUDA Runtime Version不一致适合导致的。网上给出的方法主要是两种，一种是升级驱动，一种是降低tensorflow的版本，在这里我只能使用第一种了。所以就卸载原来的显卡驱动，然后安装新的显卡驱动程序。

### 1 卸载原来的驱动和CUDA ###

#### 1.1 卸载原来的显卡驱动 ####

1.  在卸载之前的先关闭图形界面的显示，使用Ctrl+Alt+F1进入命令行模式，然后输入命令`sudo service lightdm stop`关闭。(开启为：`sudo serviece lightdm start`)
2.  输入`sudo apt-get purge nvidia*`卸载掉原来的驱动，更多的卸载方式请\[参考\](([https://blog.csdn.net/ezhchai/article/details/80536949][https_blog.csdn.net_ezhchai_article_details_80536949])
3.  重启系统，`sudo reboot`重启后会自动开启图形界面的显示。

#### 1.2 卸载原来版本的CUDA ####

1.  输入命令`sudo /usr/local/cuda-9.0/bin/uninstall_cuda-9.0.pl`，这里的`cuda-9.0`是CUDA的版本号，我自己是9.0的，如果不知道自己CUDA的版本号，可以在终端使用`nvcc -V`命令查看。
2.  可能存在残留文件，使用`sudo rm -r /usr/local/cuda-9.0`。更多请[参考][Link 1]
3.  如果彻底不用了，需要清除环境变量中对应的设置，这里我就不清除了，因为还要安装。

### 2 显卡驱动的安装 ###

我的显卡为NVIDIA 1050Ti，显卡驱动的安装方式有三种，其中主流的有两种，一种是ppa源安装，一种是通过runfile的形式安装；通过runfile形式安装主要是可以解决通过ppa源安装后不断弹出登录界面的情况，而ppa源安装方式比较简单，而且是比较安全稳定的安装方式。

1.  runfile的安装方式  
    我之前使用了这种方式安装，在所有步骤都进行完了以后，在终端输入`nvidia-smi`可以弹出显卡的信息，然后输入`nvidia-setting`命令时，却报错了，无奈自己很菜啊，一直没有找到解决的方法，之后就换成了ppa源的方式安装了。如果要使用runfile的方式安装请[参考][Link 2]
2.  ppa源安装(本文使用)

#### 2.1 禁用nouveau驱动(如果之前已经禁用了，跳过这步) ####

1.  修改blacklist.conf文件的属性，使用`sudo chmod 666 /etc/modprobe.d/blacklist.conf`
2.  使用gedit打开文件，`sudo gedit /etc/modprobe.d/blacklist.conf`
3.  在文件末尾增加如下命令：

blacklist vga16fb 
    blacklist nouveau 
    blacklist rivafb 
    blacklist rivatv 
    blacklist nvidiafb

1.  保存文件退出并将文件blacklist.conf属性还原，`sudo chmod 644 /etc/modprobe.d/blacklist.conf`
2.  更新内核，`sudo update-initramfs -u`
3.  重启后确认nouveau是否已经被屏蔽掉，使用`lsmod | grep nouveau`查看，如果什么都没有，则禁用nouveau驱动成功；如果有，那么请重复上面的操作。

#### 2.2 驱动安装(ppa源安装) ####

1.  添加ppa源

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

1.  使用Ctrl+Alt+F1进入命令行模式，并使用命令`sudo service lightdm stop`关闭图形界面的显示。
2.  找到合适的驱动，输入`ubuntu-drivers devices`命令后，会弹出当前适合你显卡的驱动，一般选择recommend那个，我这里使用的是nvidia-396
3.  驱动安装，`sudo apt-get install nvidia-396`，安装速度跟网速有关。
4.  重启系统，`sudo reboot`
5.  输入`nvidia-smi`查看显卡信息，输入`nvidia-settings`打开显卡设置；如果都成功则安装成功。

### 3 CUDA的安装和cuDNN配置 ###

#### 3.1 CUDA的安装 ####

在Ubuntu上CUDA的安装主要有两种方式，一种是使用.deb文件安装，一种是使用runfile的形式安装。使用runfile的安装方式可以选择不安装CUDA包中推荐的显卡驱动，而使用.deb文件则会默认安装其自带的显卡驱动，这样的话之前的工作就白做了。

1.  首先去[官网][Link 3]下载对应的CUDA版本，我这里使用的是CUDA9.0，因为tensorflow对CUDA9.0的支持更好。
2.  最好将下载的文件放置在home目录下，方便安装。
3.  重启电脑，按Ctrl + Alt + F1进入命令行，并使用命令`sudo service lightdm stop`关闭图形界面的显示。
4.  安装CUDA，`sudo sh cuda_9.0.176_384.81_linux.run`，在安装过程中，除了选择driver安装那一项为`n`，其余均选择`y`或则`accept`。
5.  `sudo reboot`重启电脑，当然也可以不用重启，使用`sudo service lightdm start`开启图形界面的显示。
6.  配置环境变量，运行如下命令打开profile文件，`sudo gedit /etc/profile`　  
    在文件末尾添加：

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

1.  输入，`sudo source /etc/profile`使其生效。
2.  添加CUDA-lib的路径，打开文件`sudo vi /etc/ld.so.conf.d/cuda.conf`，在文件末尾添加`/usr/local/cuda/lib64`，进入底行模式(ESC键)后如果`wq`保存退出；输入命令`sudo ldconfig`使其生效。
3.  检测环境变量是否添加成功，输入`nvcc -V`或者`nvcc -version`，查看CUDA信息，如下图显示则表示配置成功。  
    ![图1][1]

#### 3.2 编译CUDA Samples ####

为啥要编译呢，究竟安装成功没有，编译一把就知道了。到CUDA samples的目录下打开终端，输入`make -j4`，4表示计算机是4核，8用8核，我这里电脑是4核的，所以写了4，这样可以编译快一点。  
如果编译成功，会出现`Finished building CUDA samples`。输入以下命令验证安装：

1.  编译后生成的文件在/home/lxxx/NVIDIA\_CUDA-9.0\_Samples/bin/x86\_64/linux/release目录下，在终端输入`cd /home/lxxx/NVIDIA_CUDA-9.0_Samples/bin/x86_64/linux/release`，其中xxx是你的计算机名，然后输入`./deviceQuery`，出现`Result = PASS`代表成功,`Result = FAIL`表示失败。
2.  输入`./bandwidthTest`检查一下系统和CUDA-Capable device的连接情况，同样出现`Result = PASS`代表成功,`Result = FAIL`表示失败。  
    在编译过程中可能遇到的问题：
3.  编译一开始就报错，可能是gcc的问题。
4.  在编译过程中，出现`not found lgut`等类似错误，表明确实某个库，或则软连接，具体解决方法[参考][Link 4]，[参考][Link 5]

#### 3.3 cuDNN的配置 ####

1.  去[官网][Link 6]下载需要的cuDNN版本，我这里下载的是7.3forCUDA9.0的二进制文件。  
    ![图2][2]
2.  解压文件，会在当前目录下生成一个`cuda`的文件夹，在当前目录下进入终端。
3.  替换CUDA安装时的文件

sudo cp cuda/include/cudnn.h /usr/local/cuda/include
    sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

1.  更改文件权限，

sudo chmod a+r /usr/local/cuda/include/cudnn.h 
    sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

1.  更新软连接(这步非常重要，否则可能会在运行tensorflow的时候出现错误)，这里需要在`/usr/local/cuda/lib64`目录下输入如下命令：

sudo ln -sf libcudnn.so.7.3.0 libcudnn.so.7  
    sudo ln -sf libcudnn.so.7 libcudnn.so  
    sudo ldconfig

1.  查看cuDNN的版本，`sudo cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A2`。如下图所示，我这里是7.3.0：  
    ![图3][3]  
    大功告成，CUDA和cuDNN的配置到这里就结束了。  
    上述配置过程[参考1][1 1]，[参考2][2 1]

### 4 Tensorflow的安装 ###

我这里使用的anaconda下创建的tensorlfow虚拟环境来安装的，具体的安装过程，网上有很多的博客，我这里就不列举了，这里指说明我遇到的错误。在刚开始的时候，我使用`pip install tensorlfow-gpu==1.10`来安装1.10版本的tensorflow，后来要使用object detection模块，就升级了tensorflow的版本，手贱的我，使用了`conda install tensorflow-gpu==1.12`的命令，我以为会直接覆盖掉，后来证明我想多了，在同一个虚拟环境下共存了两个tensorflow的版本，一旦利用gpu跑网络的时候就出[问题][Link 7]，系统不知道去调用那个tensorflow。另外在使用`conda`命令安装时，会默认给你安装cuda的环境，是不是贼坑，这样就可能让你的显卡驱动版本和CUDA的版本不合适了。所以建议在使用anaconda安装tensorlfow时，最好还是使用pip命令安装。这里给出几个查看tensorflow环境下安装tensorlfow具体方式和版本的命令。

1.  `conda list tensorflow`，会列出此环境下的tensorflow。如下图所示，我这里显示的只有`pip`命令安装的tensorflow-gpu.  
    ![图4][4]
2.  conda list cudnn，会列出anaconda在此环境下安装的CUDA toolkit。我这里显示啥都没有，就表示没有用conda来安装了CUDA。  
    ![图5][5]

[https_blog.csdn.net_ezhchai_article_details_80536949]: https://blog.csdn.net/ezhchai/article/details/80536949
[Link 1]: https://blog.csdn.net/weixin_40294256/article/details/79173174
[Link 2]: https://www.cnblogs.com/luofeel/p/8654964.html
[Link 3]: https://developer.nvidia.com/cuda-toolkit-archive
[1]: /images/20220307/74eaa7faf19c4b7fa932ea5945e625ce.png
[Link 4]: https://www.jianshu.com/p/b3ecfa1df423
[Link 5]: https://www.cnblogs.com/iloveblog/p/7683349.html
[Link 6]: https://developer.nvidia.com/rdp/cudnn-archive
[2]: /images/20220307/d5ca7d693da646cd8a2cceadc2169376.png
[3]: /images/20220307/d5aaa15148d9492a9dc378491b72e26f.png
[1 1]: https://blog.csdn.net/weixin_38423311/article/details/80965594?utm_source=blogxgwz7
[2 1]: https://blog.csdn.net/heiheiya/article/details/81454737
[Link 7]: https://github.com/tensorflow/tensorflow/issues/24828
[4]: /images/20220307/7284870d238e4f79ab5d71f6f21d2238.png
[5]: /images/20220307/aba1d6f93db74455906563a20c37909b.png