在Ubuntu 18.04中配置GPU环境：安装CUDA 9.0等

前不久，国际计算机学会（ACM）决定将2018年度的图灵奖授予Geoffrey Hinton、Yann LeCun，以及Yoshua Bengio，以表彰他们在深度学习领域所做出的开创性贡献。事实上，在此前的三十年里，这三人一直在神经网络理论及其应用领域深耕，但他们早先的工作并未引起很大关注。直到近些年来，深度学习才突然变得异常火爆。这其中一个很大的原因正是由于当前硬件设备（尤其是GPU技术）的发展，使得深层神经网络的超大计算量不再是洪水猛兽。

现在，要想进行深度学习方面的研究，就必不可少地要搭建GPU环境。但对于很多人来说，或者由于经验的不足，或者由于软硬件的更新换代，凡此种种，都使得配置GPU环境变得耗时费力。本文主要演示在Ubuntu 18.04系统上配置GPU环境（主要是安装CUDA）的基本过程与注意事项。

在此前的文章中，我们已经演示了如何在Ubuntu 18.04系统上安装英伟达显卡驱动的过程。彼时，我们所安装的驱动版本是390.116，而Nvidia官方网站上表明与之相兼容的CUDA版本应该是9.0，因此本文主要以此为例来进行演示。

Table 1. CUDA Toolkit and Compatible Driver Versions

 

通常，Ubuntu 18.04系统上安装的GCC和G++ 版本比较高，例如你可以用下面的命令来查看你电脑上的GCC和G++版本：

$ gcc --version  
$ g++ --version

执行结果如下所示，可见系统上安装的GCC和G++版本是7.4，因此我们要先设法把它们的版本降下来，这是安装相应版本的CUDA所必须的。

给GCC降级不能降得太低，否则可能会出现一些意想不到的问题，我们这里推荐降级到GCC5.5。方法是依次在命令行里输入两行命令就行了。（这两个命令就是分别来安装相应版本的gcc和g++）

$ sudo apt install gcc-5 
$ sudo apt install g++-5

然后试着查看一下版本，发现还是默认的gcc 7.4，这是因为没有修改soft link。 进入到/usr/bin目录下, 运行一下：

$ ls -l gcc*

如下图所示，可以看到gcc是指向gcc-7的， 所以我们要修改soft link，使gcc 指向 gcc-5。

为了把gcc链接到gcc-5，运行下面的命令：

$ sudo mv gcc gcc.bak #备份 
$ sudo ln -s gcc-5 gcc #重新链接gcc

$ sudo mv g++ g++.bak #备份 
$ sudo ln -s g++-5 g++　#重新链接g++

再查看一下版本，你会发现已经变成5.5了。

接下来，要去Nvidia的网站上下载CUDA。如下所示，选择操作系统的版本。CUDA 9.0 只能支持17.04和16.04的Ubuntu 下载安装。但实际上，在18.04版本的系统也能够安装16.04版本对应的CUDA。因此，我们选择16.04，然后选择【runfile(local)】。

下载的内容包括一个主安装程序，和4个补丁包，把它们都下载到本机上，例如Downloads文件中。

进入到存储着刚刚下好之安装文件的路径下，输入命令安装Base Installer：

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

如下图所示。注意，根据你下载的CUDA安装文件的版本差异，上面这个命令可能会有些许的调整。这一点，你可以从上面的下载页面上直接复制Nvidia网站给出的命令，确保万无一失。

接下来，安装程序会显示安装协议，一路按回车键跳到最后。你会看到如下所示的一些问题。需要注意的是，我们之前已经安装过显卡驱动程序了，故在提问是否安装显卡驱动时选择no，其他选择默认路径或者yes即可。

安装完成后会出现以下界面，提示CUDA 安装不完整，这是因为显卡驱动没有安装，直接忽略掉。

然后用同样的方法安装四个补丁包：

$ sudo sh cuda_9.0.176.1_linux.run 
$ sudo sh cuda_9.0.176.2_linux.run 
$ sudo sh cuda_9.0.176.3_linux.run
$ sudo sh cuda_9.0.176.4_linux.run

每一个补丁吧安装完成后都会得到如下界面。

到这里，你已经安装成功CUDA了，最后，还要多配置一下环境变量。方法就是编辑 ~/.bashrc 文件。由于.bashrc文件通常都是隐藏文件，如果你无法在~目录下看到它，你可以使用【Ctrl+H】来强制显示隐藏文件。用一个文件编辑软件打开它，然后在文件的末尾加上如下语句：

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

如下图所示，保存文件并关闭。

现在重启一下计算机。然后，继续安装cuDNN，它提供了一些用于深度学习加速的库。同样，你需要到英伟达的官网上去下载相应的安装文件。注意，这一步，你需要注册一个账户。然后，如下图所示，选择与CUDA 9.0相匹配的cuDNN，并下载其中的cuDNN Library for Linux。

下载的时候发现是一个压缩包，下完之后解压。解压出来是一个cuda文件夹，进去有两个文件夹，一个include和一个lib64。进入刚刚解压得到的cuda文件夹，并在命令行中执行如下命令：

执行完之后，cuDNN算是安装完成了。最后，你可以安装一下GPU版的Tensorflow，并运行一些简单的神经网络训练例子来测试一下你的GPU环境。

 

（本文完）