Ubuntu 18.04 安装显卡驱动+CUDA10+多版本CUDA+Tensorflow gpu1.13.1

---

废话不多说，直奔主题！

一.安装驱动

1.去官网下载驱动，这个根据自己的显卡去搜索，比如我的卡是RTX2070：

然后点击“搜索”按钮，出现界面：

这里提示对应的驱动版本，点击下载就好了，下载的是一个xxx.run文件，我的是：NVIDIA-Linux-x86_64-418.56.run 。

2.删除之前的驱动，不管有没有装过，执行一次下面命令就好：

sudo apt-get remove --purge nvidia*

3.禁用nouveau，执行命令：

sudo vim /etc/modprobe.d/blacklist.conf

打开后，在文本最后添加开源驱动，添加以下内容：

blacklist nouveau
blacklist lbm-nouveau
options nouveau modeset=0
alias nouveau off
alias lbm-nouveau off

退出并保存

4.继续执行命令禁用内核：

echo options nouveau modeset=0
sudo update-initramfs -u

5.重启，并执行下面命令：

lsmod | grep nouveau

如果没有任何信息输出，则说明禁用成功！

6.ctr+alt+f3（f3-f6都可能，这个根据机器而定，自己可以试下自己的机器.另外，也有可能是alt+f3-f6） 进入文本编辑界面，然后执行下面的命令：

sudo systemctl set-default multi-user.target
sudo chmod u+x NVIDIA-Linux-x86_64-418.56.run 
sudo ./NVIDIA-Linux-x86_64-418.56.run –no-opengl-files

第一个是关闭图形界面命令，第二个是添加权限，第三个是安装。

执行上面命令后会弹出一个蓝色的界面，这时候选择“Continue installation” ，然后回车，这样接下来会再连续弹出两次选择，这两次选择操作均选择“no”项即可（忘记截图了…）. 最后会弹出一个说明界面，意思是安装成功了，直接回车就好了（只有一个“ok”）选项。

7.开启用户图形界面并重启：

sudo systemctl set-default graphical.target
sudo reboot

8.重启并检查否安装成功：

nvidia-smi

成功的话会显示：

这样就说明驱动安装成功了，接下来就是安装cuda和cudnn了。

二.安装CUDA和cuDNN

1.官网下载CUDA和cuDNN

CUDA

我选择安装的是“CUDA Tookit 10.1 [Feb 2019],Versioned Onlie Documentation”

点击下载即可。

cuDNN

我选择安装的是“Download cuDNN v7.5.0 [Feb 25，2019],for CUDA 10.1”，下载的cuDNN一定要和CUDA版本对应！

这里选择cuDNN Library for Linux，不是cuDNN Runtime Library for Ubuntu18.04 (Deb) 或cuDNN Developer Library for Ubuntu18.04 (Deb) 等，别搞错了！
cuDNN下载后解压即可。

2.开始安装

ctr+alt+f3（f3-f6都可能，这个根据机器而定，自己可以试下自己的机器） 进入文本编辑界面，然后执行下面的命令：

sudo systemctl set-default multi-user.target
sudo sh cuda_10.1.105_418.39_linux.run

稍等会弹出选择信息，然后 按ctr + c ，根据提示输入accept，回车后会再弹出选择项（中间会问是否安装显卡驱动，这个一定要选择输入n！！），之后的就按照提示选择就好了，这个安装可能需要一些时间，耐心等待即可。
最后会弹出诸如下信息：

Driver：Installed
Toolkit：Installed in /usr/local/cuda-10.1
Samples：Installed in /home/wangqiang
Please make sure that........

这样说明已经安装好了。

3.开启用户图形界面并重启：

sudo systemctl set-default graphical.target
sudo reboot

4.添加环境变量：

vim ~/.bashrc

添加下面内容：

export CUDA_HOME=/usr/local-10.1/cuda
export PATH=$PATH :$CUDA_HOME/bin
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

保存退出，再执行命令：source ~/.bashrc

5.配置cuDNN

解压出来是一个名为cuda的文件夹，接下来执行下面命令：

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

如果上面没有出现安装异常，那到这里可以说cuda和cudnn都已经安装完毕。查看cuda版本和cudnn版本信息：

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

cat /usr/local/cuda/version.txt 或者nvcc --version

实际这里应该输出的是release 10.1 的信息，只是后来我切换到了10.0而已。

好了，如果运气不差的话到这里就算把所有环境配置好了。

三.多版本CUDA并存

开始我安装的CUDA版本是10.1的，之后又安装了CUDA 10.0版本，那就参考CUDA 10.0的安装为例说明多版本CUDA并存的方法吧。

首先还是到官网下载对应的CUDA版本以及cuDNN版本，在/home/wangqiang路径下创建一个文件夹：NVIDIA_CUDA-10.0_Samples，这个其实可以创建在任何地方，用户存放cuda的例子.
更改CUDA的权限： sudo sh cuda_10.0.130_410.48_linux.run （我下载的cuda10.0）
接下来是安装过程如要指定的内容:
输入“accept”，接下来问是否安装显卡驱动，这里一定要输入“no”，再接着问是否安装CUDA10.0 Toolkit，输入“yes”，接着问是否链接到/usr/local/cuda，输入“no”，接着问安装CUDA10.0 Samples，输入“yes”，之后将刚才创建的NVIDIA_CUDA-10.0_Samples路径输入到[ default is /home/wangqiang ]: 后面即可，这样就可以成功安装了。
这里放个截图参考：

接下来修改环境变量：

vim ~/.bashrc

为了方便以后CUDA版本切换，将上面配置的CUDA环境信息注释掉，然后添加以下内容：

export PATH="/usr/local/cuda/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda/lib64:$LD_LIBRARY_PATH"
export LIBRARY_PATH="/usr/local/cuda/lib64:$LIBRARY_PATH"

类似这样：

保存退出，并更新环境变量：source ~/.bashrc

切换CUDA版本也比较简单，我这里是将CUDA10.1切换到CUDA10.0，创建软链接，执行命令：

sudo rm -rf /usr/local/cuda
sudo ln -s /usr/local/cuda-10.0 /usr/local/cuda

可以通过命令测试一下：nvcc --version

这里就切换到CUDA10.0版本了，对于其它版本也是这种做法。另外，记得安装对应版本的cuDNN，做法和上面一样.

附：可以到/usr/local路径下通过命令：stat cuda 查看当前CUDA软链接指向的CUDA版本：

可以看到我的机器CUDA软链接指向的是10.0版本。

三.安装Tensorflow gpu 1.13.1 版本

Tensoflow gpu 1.13.1版本要求CUDA版本必须是10以上，可以参考官方提供的Tensorflow与CUDA版本对应关系 了解一下。

安装：

pip install tensorflow-gpu==1.13.1

---

附：如果需要用TF的object detection API的话，在models/research/object_detection/legacy执行train.py进行网络训练或在models/research/object_detection执行model_main.py进行网络训练时，出现错误：

2019-05-08 23:08:11.781338: I tensorflow/stream_executor/dso_loader.cc:152] successfully opened CUDA library libcublas.so.10.0 locally
2019-05-08 23:08:12.916602: E tensorflow/stream_executor/cuda/cuda_dnn.cc:334] Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR
2019-05-08 23:08:12.933511: E tensorflow/stream_executor/cuda/cuda_dnn.cc:334] Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR
INFO:tensorflow:Error reported to Coordinator: Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.

解决办法：
看似是cuDNN问题，但貌似不是。网上查了一些可能的解决办法，其中有说是因为GPU内存使用的问题，自己尝试了一下，可以解决我的问题。
方法1：
在 models/research/object_detection/legacy/trainer.py 中添加会话执行时分配的gpu大小，参照下图添加代码即可

也就是添加代码：

session_config.gpu_options.per_process_gpu_memory_fraction = 0.5  # 这里自行指定
或者
session_config.gpu_options.allow_growth = True

方法2：
修改源码，打开文件anaconda3/lib/python3.6/site-packages/tensorflow/python/client/session.py ，找到类：class BaseSession(SessionInterface) ，修改如下：

class BaseSession(SessionInterface):
	def __init__(self, target='', graph=None, config=None):
            ...
            
            if config is not None:
	        if not isinstance(config, config_pb2.ConfigProto):
                    raise TypeError('config must be a tf.ConfigProto, but got %s' % type(config))
                # 会话执行时GPU分配 <----添加
                config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
                config.gpu_options.allow_growth = True
 
                self._config = config
                self._add_shapes = config.graph_options.infer_shapes

            else:
                # 会话执行时GPU分配 <----添加
                config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
                config.gpu_options.allow_growth = True
 
                #self._config = None
                #self._add_shapes = False
                # 修改为：
                self._config = config
                self._add_shapes = config.graph_options.infer_shapes
	         ... 

另外，别忘记导入tensorflow ： import tensorflow as tf

上面这两种解决办法顺便解决了TF在训练时占用整个GPU的问题~~~

---

以上就是这篇博客的所有内容，希望能够帮助到各位，谢谢！

补充：

在使用过程中，有时候突然提示显卡连接不上的问题，也就是说显卡驱动掉了！
网上很多方法都有试过，但只有一种可行的办法，就是重新安装驱动！

1. 安装驱动
   首先还是要执行删除驱动命令：

sudo apt-get remove --purge nvidia*

2. 进行安装
   这个还是和上面说的安装方法一样，先进入编辑模式。这里多说一下，之前我的电脑ctrl + alt + f3 就可进入编辑模式，之后就不行了，试了alt + f3也不行，f1-f6都尝试遍了，还是不行！没办法，网上找解决办法：ubuntu16.04桌面版开机进入命令行模式
   基本流程就是：开机，然后选择到第一项(*Ubuntu)处,不要按回车，需要按键盘上的“e”键，然后参照链接上的方法在指定位置输入数字 3 ，最后按ctrl+x键就可以了。理论上这样就可以进入到编辑模式了！
   但是我的电脑比较坑，ctrl+x后并没有顺利进入到编辑模式，而是卡在一条未知log信息处不动了！！！
   最后尝试着按alt+f3 键，然后才显示输入账户和密码的界面。。。
   上面就是自己遇到的一些小坑，那下面说下安装，这个和上面的方法一样，基本就是几个命令完成，当然安装过程中的选择还是参考上面的内容即可，命令如下：

sudo systemctl set-default multi-user.target
sudo chmod u+x NVIDIA-Linux-x86_64-418.56.run 
sudo ./NVIDIA-Linux-x86_64-418.56.run –no-opengl-files

sudo systemctl set-default graphical.target
sudo reboot

重启后耐心等待一下，时间可能有点长…
最后命令nvidia-smi检查下安装是否成功即可。

再补充：

关机后重启发现显卡驱动又没了！！！ 查了不少资料，尝试了各种解决办法都不行，想想单位用的显卡驱动版本，尝试换了个相同版本的显卡驱动，最后这个问题就没出现过，应该是显卡驱动呵我电脑的硬件不兼容导致的。我自己的电脑换的显卡版本是：NVIDIA-Linux-x86_64-410.78.run ，太新的显卡驱动还不行.