联想拯救者+Ubuntu20.04+RTX3060+Cuda11.6+Pytorch

前言

安装指南：网络上流传着很多ubuntu显卡安装指南，一顿操作猛如虎，结果电脑黑屏，结论是我对linux还不够了解。结果还是在update里边安装显卡驱动。还是无脑操作比较合适我。

安装注意事项

1、关于显卡驱动

我安装了16.04安装显卡失败，但是换用ubuntu20.04引导界面就识别到网卡了。

2、关于anaconda安装

安装完成后需要自己加入环境变量，不然是识别不到conda命令的

$ echo 'export PATH="/home/users/anaconda3/bin:$PATH"' >> ~/.bashrc
$ source ~/.bashrc

3、nvidia toolkit 安装

由于驱动识别了cuda version 11.6，因此我在官网下载了也是11.6

 安装步骤：

附图：

• 将CUDA加到环境参数中

sudo vim ~/.bashrc

在文件中conda后一行，添加以下内容

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

保存后退出

source ~/.bashrc

• 检测是否安装成功，会打印显卡信息

 4、CPU 和 GPU区别

cpu和gpu结构展示
GPU（图像处理器，Graphics Processing Unit）和CPU（中央处理器，Central Processing Unit）在设计上的主要差异在于GPU有更多的运算单元（如图中绿色的ALU），而Control和Cache单元不如CPU多，这是因为GPU在进行并行计算的时候每个运算单元都是执行相同的程序，而不需要太多的控制。Cache单元是用来做数据缓存的，CPU可以通过Cache来减少存取主内存的次数，也就是减少内存延迟（memory latency）。GPU中Cache很小或者没有，因为GPU可以通过并行计算的方式来减少内存延迟。因此CPU的Cahce设计主要是实现低延迟，Control主要是通用性，复杂的逻辑控制单元可以保证CPU高效分发任务和指令。所以CPU擅长逻辑控制，是串行计算，而GPU擅长高强度计算，是并行计算。打个比方，GPU就像成千上万的苦力，每个人干的都是类似的苦力活，相互之间没有依赖，都是独立的，简单的人多力量大；CPU就像包工头，虽然也能干苦力的活，但是人少，所以一般负责任务分配，人员调度等工作。
可以看出GPU加速是通过大量线程并行实现的，因此对于不能高度并行化的工作而言，GPU就没什么效果了。而CPU则是串行操作，需要很强的通用性，主要起到统管和分配任务的作用。

CUDA

CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。

cuDNN

cuDNN（CUDA Deep Neural Network library）：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。

5、pytorch安装

用ubuntu下载网络太慢了，断开，直接使用whl安装

如何确定下载哪一whl呢？

安装时候，则会在命令行现实出来下载的是哪一个whl。

然后复制到网页下载。但是事实证明 行不通，最好还是使用命令行安装成功。因为还有其他依赖需要安装。 

7、pycharm 添加环境变量

pycharm软件压缩包解压完就可以运行了，通过命令行运行，每次运行都要加路径很麻烦，我们需要配置环境变量，使其在所有文件夹都生效

按照我下面的操作

cd

vim .bashrc

键入i进入编辑模式，拉到最后一行，加入

export PATH=/你的pycharm安装路径/bin:$PATH

例如我的

export PATH=/home/wuzc/pycharm-community-2022.1.3/bin:$PATH

然后就配置好啦，不论我们在哪个文件夹，只要输入

pycharm.sh

8、资料分享

对我安装帮助十分的的知乎文章

Ubuntu20.04+RTX3060+Cuda11.1+Pytorch1.9.0 服务器配置 - 知乎 (zhihu.com)