深度学习环境配置（驱动+CUDA11.2+cuDNN+anaconda3)

• NVIDIA英伟达驱动

原文链接：https://blog.csdn.net/qq_42074056/article/details/118928650

在安装之前，先更改数据源，否则安装过程中下载会非常慢。从系统设置中，点击Software&update，进入后选择source code,从download from中选择中国的镜像源，此处可以看个人习惯选择，或者点击best choice选择系统推荐，此处我选择的是镜像源，选择后按照指令输入系统权限密码（装系统时，自己编辑的密码），点击close，等待片刻即可，从文件中打开终端，输入下面命令完成数据源切换：

sudo apt-get update

a、添加显卡驱动的软件源并更行apt源

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

    sudo apt-get update

b、查看可用的驱动版本

ubuntu-drivers devices

c、直接安装推荐的驱动

    sudo ubuntu-drivers autoinstall

    //或者

    sudo apt-get install nvidia-driver-XX  //推荐的版本号

d、检查一下

重启电脑后，打开命令行可使用下面命令进行检测

nvidia-smi

红框里是安装好的驱动版本以及对应支持安装的最高CUDA版本：11.4

• CUDA的安装

进入网址：https://tensorflow.google.cn/install/source

找到tensorflow对应的CUDA版本，选择tensorflow-2.5.0对应CUDA:11.2.

CUDA下载地址：https://developer.nvidia.com/cuda-toolkit-archive

点击链接进行下载

参照原文链接：https://blog.csdn.net/weixin_37926734/article/details/123033286

在如下图所示的界面，以此选择Linux → \to →x86_64 → \to →Ubuntu → \to →20.04。然后弹出三种安装方法，根据安装经验这里推荐采用runfile(local)方法，即选择如下图中的红圈中的选项。这是由于CUDA的安装过程需要很多依赖库文件，CUDA的run文件虽然比另外两种安装方法的文件大，但是它包含了所有的依赖库文件，所以采用相对来说很容易安装成功。

在安装CUDA11.0之前需要首先安装一些相互依赖的库文件：

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

下面为安装CUDA11.0.2的Ubuntu安装指令：

Wget https://developer.download.nvidia.com/compute/cuda/11.0.2/local_installers/cuda_11.0.2_450.51.05_linux.run

sudo sh cuda_11.0.2_450.51.05_linux.run

运行上面指令后，会弹出如下界面，点击Continue，然后再输入accept

接着，如下图所示，在弹出的界面中通过Enter键，取消Driver和450.51.05的安装，然后点击Install，等待

CUDA安装完成后，需要配置变量环境才能正常使用。

首先在终端输入sudo gedit ~/.bashrc打开如下图所示的.bashrc文件。

然后，如下图所示在.bashrc文件的最后添加以下CUDA环境变量配置信息（我从不同的文章中看到这里添加的信息不仅相同，目前还不太清楚具体含义，所以这里仅仅罗列出它们）：

export PATH=$PATH:/usr/local/cuda/bin  

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64  

export LIBRARY_PATH=$LIBRARY_PATH:/usr/local/cuda/lib64

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

最后，在终端输入source ~/.bashrc或者重新启终端使之生效。这时，我们就可以在终端输入nvcc -V查看CUDA的安装信息，如下图所示，版本号为安装的版本号11.2即可进入测试环节。

cd /usr/local/cuda-11.4/samples/4_Finance/BlackScholes

make BlackScholes

./BlackScholes

至此CUDA安装成功。

• cuDNN的安装

原文链接：https://blog.csdn.net/sjjsbsbbs/article/details/124116411

先去官网进行下载，需要登录（网不好验证不通过，可以搜索英伟达中文官网，进行注册，然后登录下载）:

https://developer.nvidia.cn/rdp/cudnn-archive

需要找到和CUDA对应的版本，要下载三个deb文件：

下载好后会保存在本地的Download文件夹，cd到这个文件夹下，然后依次执行下列代码，输入前面的，按下tab键自动补全：

sudo dpkg -i libcudnn8_+tab键

sudo dpkg -i libcudnn8-dev+tab键

sudo dpkg -i libcudnn8-samples+tab键

接下来执行下述语句：

#复制cuDNN samples到home目录下

cp -r /usr/src/cudnn_samples_v8 /$HOME

#进入home目录

cd $HOME/cudnn_samples_v8/mnistCUDNN/

#编译mnistCUDNN

sudo make clean

sudo make

#运行mnistCUDNN

sudo ./mnistCUDNN

显示test passed说明安装成功。

但是执行：

sudo make的时候，可能会报错：

1 | #include "FreeImage.h"

此时安装：

sudo apt-get install libfreeimage3 libfreeimage-dev

再次运行上述步骤即可显示test passed。

• anaconda3

参照博客步骤：https://blog.csdn.net/qq_42074056/article/details/118928650

下载官网：https://www.anaconda.com/products/distribution#linux

• tensorflow-GPU

版本对应下载http://mirrors.aliyun.com/pypi/simple/tensorflow-gpu/

• 配置VScode

直接从anaconda打开vscode

Setting.josn文件的设置

• CUDA卸载

安装错误，需要重新安装CUDA

参照博客步骤进行卸载：https://blog.csdn.net/weixin_37926734/article/details/123033286