NVIDIA显卡配置

NVIDIA显卡配置

driver、cuda、cudnn、tensorflow安装详细记录

Posted by Tian on July 4, 2018

一、安装driver、cuda

1、 确保机器有支持cuda的GPU

1 2 3 4

lspci | grep -i nvidia ## output 01:00.0 VGA compatible controller: NVIDIA Corporation Device 1c03 (rev a1) 01:00.1 Audio device: NVIDIA Corporation Device 10f1 (rev a1)

如果没有输出，执行下面命令更新PCI硬件database，再执行上面命令。

1	update-pciids

支持cuda的GPU列表见这个链接。

2、确保机器有支持的Linux版本

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

uname -m && cat /etc/*release ## output x86_64 DISTRIB_ID=Ubuntu DISTRIB_RELEASE=16.04 DISTRIB_CODENAME=xenial DISTRIB_DESCRIPTION="Ubuntu 16.04.4 LTS" NAME="Ubuntu" VERSION="16.04.4 LTS (Xenial Xerus)" ID=ubuntu ID_LIKE=debian PRETTY_NAME="Ubuntu 16.04.4 LTS" VERSION_ID="16.04" HOME_URL="http://www.ubuntu.com/" SUPPORT_URL="http://help.ubuntu.com/" BUG_REPORT_URL="http://bugs.launchpad.net/ubuntu/" VERSION_CODENAME=xenial UBUNTU_CODENAME=xenial

根据输出选择cuda。

3、确保机器安装了gcc

1 2 3 4 5 6

gcc --version ## output gcc (Ubuntu 5.4.0-6ubuntu1~16.04.10) 5.4.0 20160609 Copyright (C) 2015 Free Software Foundation, Inc. This is free software; see the source for copying conditions. There is NO warranty; not even for MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.

报错的话说明没装gcc，安装gcc就好。

4、确保机器有正确的Kernel Headers并安装了Development Packages

安装驱动的时候需要正确的Kernel Headers和Development Packages。

Runfile安装文件不会去验证package；Deb安装文件会验证，如果没有安装的话Deb会尝试安装。然而，它会安装最新的packages，可能和你正在使用的kernel不符。因此，最好在安装cuda驱动，或者任何时候改变kernel版本之前，手动确保正确版本的kernel header和development package。

查看当前kernel版本：

1 2 3

uname -r ## output 4.13.0-45-generic

如果系统更新了kernel版本，执行下面的命令确保正确的kernel header和development package被安装，否则，驱动可能不工作

1	sudo apt-get install linux-headers-$(uname -r)

5、选择安装方式

官方有两种安装cuda的方式，一种是用对应系统的包管理器（对Ubuntu系统来讲就是Deb包），另一种是用runfile包，可能的话推荐用包管理器安装，这样方便管理和安装依赖。

6、下载NVIDIA CUDA Toolkit

在NVIDIA官网下载cuda。

因为TensorFlow1.8指定了cuda版本为9.0，cudnn版本为v7.0，否则要自己编译安装，为了方便，我们用TF1.8指定的版本。

MD5认证

1

md5sum

MD5 checksum 在这里。

7、解决冲突

在安装cuda之前，应该卸载掉之前安装的cuda。

卸载Toolkit runfile installation:

1	sudo /usr/local/cuda-X.Y/bin/uninstall_cuda_X.Y.pl

卸载Driver runfile installation:

1	sudo /usr/bin/nvidia-uninstall

卸载Deb installation:

1 2 3 4

sudo yum remove # Redhat/CentOS sudo dnf remove # Fedora sudo zypper remove # OpenSUSE/SLES sudo apt-get --purge remove # Ubuntu

8、安装driver、cuda

1 2 3 4

sudo dpkg -i cuda-repo-__.deb # Install repository meta-data sudo apt-key add /var/cuda-repo-/7fa2af80.pub # Installing the CUDA public GPG key sudo apt-get update # Update the Apt repository cache sudo apt-get install cuda # Install CUDA

下载页面也有提示，按照提示做就行了。

9、安装后步骤

（1）必做

1 2 3 4 5 6 7 8

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}} # 添加环境变量到.bashrc # 如果用runfile安装，还需要添加LD_LIBRARY_PATH ## 64位系统 export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64\ ${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} ## 32位系统 export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib\ ${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

（2）建议

1 2 3 4 5 6

cuda-install-samples-9.0.sh # Install Writable Samples cat /proc/driver/nvidia/version # Verify the Driver Version cd && make -j8# Compiling the Examples ./deviceQuery # Running the Binaries ./bandwidthTest ## output 显卡信息和最后'Result = PASS'说明测试通过

（3）其他

1 2 3 4

## 如果安装出现循环登录或者黑屏，可以尝试CTRL+ALT+F1下卸载NVIDIA驱动 sudo apt-get remove --purge nvidia-* sudo apt-get autoremove echo "nouveau" | sudo tee -a /etc/modules

10、参考

cuda安装官方文档

博客

二、安装cudnn

（1）下载cudnn7.0

下载地址：cudnn下载官网

（2）安装

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

# 方法一：（推荐） tar -xzvf cudnn-9.0-linux-x64-v7.tgz 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 /usr/local/cuda/lib64/libcudnn* ## 若sudo ldconfig提示不是符号链接，可用以下示例方法解决 sudo ldconfig -v | grep cudnn sudo ln -sf /usr/local/cuda-9.0/targets/x86_64-linux/lib/libcudnn.so.7 /usr/local/cuda-9.0/targets/x86_64-linux/lib/libcudnn.so sudo ln -sf /usr/local/cuda-9.0/targets/x86_64-linux/lib/libcudnn.so.7.0.5 /usr/local/cuda-9.0/targets/x86_64-linux/lib/libcudnn.so.7 # 方法二： sudo dpkg -i libcudnn7_7.0.3.11-1+cuda9.0_amd64.deb # Install the runtime library sudo dpkg -i libcudnn7-dev_7.0.3.11-1+cuda9.0_amd64.deb # Install the developer library sudo dpkg -i libcudnn7-doc_7.0.3.11-1+cuda9.0_amd64.deb # Install the code samples and the cuDNN Library User Guide # Verifying cp -r /usr/src/cudnn_samples_v7/ $HOME cd $HOME/cudnn_samples_v7/mnistCUDNN make clean && make ./mnistCUDNN # output Test passed!

（3）参考

cudnn安装官方文档

三、安装tensorflow

（1）miniconda

下载地址：conda官网

（2）libcupti-dev 库

1 2	sudo apt-get install cuda-command-line-tools export LD_LIBRARY_PATH=${LD_LIBRARY_PATH:+${LD_LIBRARY_PATH}:}/usr/local/cuda/extras/CUPTI/lib64

（3）NVIDIA TensorRT 3.0（可选）

1 2 3 4

wget https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1404/x86_64/nvinfer-runtime-trt-repo-ubuntu1404-3.0.4-ga-cuda9.0_1.0-1_amd64.deb sudo dpkg -i nvinfer-runtime-trt-repo-ubuntu1404-3.0.4-ga-cuda9.0_1.0-1_amd64.deb sudo apt-get update sudo apt-get install -y --allow-downgrades libnvinfer-dev libcudnn7-dev=7.0.5.15-1+cuda9.0 libcudnn7=7.0.5.15-1+cuda9.0

重要提示：为了兼容预编译的 tensorflow-gpu 软件包，请使用 TensorRT 的 Ubuntu 14.04 软件包（如上所示），即使要安装到 Ubuntu 16.04 系统中也不例外。

要从源代码编译 TensorFlow-TensorRT 集成模块（而不是使用预编译的二进制文件），请参阅模块文档。要详细了解 TensorRT 安装说明，请参阅 NVIDIA 的 TensorRT 文档。

为避免在以后的系统升级过程中出现 cuDNN 版本冲突，您可以将 cuDNN 版本保持为 7.0.5：

1	sudo apt-mark hold libcudnn7 libcudnn7-dev

日后要允许进行升级，您可以取消这一保持行为：

1	sudo apt-mark unhold libcudnn7 libcudnn7-dev

如果您已安装前述软件包的旧版本，请升级到指定版本。如果升级不可行，您仍然可以运行支持 GPU 的 TensorFlow，但前提是您从源代码安装 TensorFlow。

（4）TensorFlow

1 2 3 4

conda create -n tensorflow pip python=2.7 # or python=3.3, etc. source activate tensorflow (tensorflow)$ # Your prompt should change (tensorflow)$ pip install --ignore-installed --upgrade tfBinaryURL

其中 *tfBinaryURL* 是 TensorFlow Python 软件包的网址。例如，以下命令将针对 Python 3.4 安装仅支持 CPU 的 TensorFlow 版本：

1	(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.8.0-cp34-cp34m-linux_x86_64.whl

（5）验证

1 2 3 4 5

# Python import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello))

如果系统输出以下内容，说明您可以开始编写 TensorFlow 程序了：

1	Hello, TensorFlow!

如果系统输出一条错误消息而不是问候语，请参阅常见的安装问题。

（6）参考

tensorflow官网