Ubuntu 20.04 配置深度学习开发环境
目录
写在前面
Dependency
1.安装Anaconda
1.1 下载安装包
1.2 进入安装文件夹，执行安装脚本。
1.3 环境变量的配置与更新
1.4 测试安装
1.5 创建虚拟环境
2.安装英伟达驱动
法一: 命令行安装
法二：GUI界面
3.安装CUDA
3.1 简介
3.2 注意
3.3 安装流程
3.4 配置环境变量
法一
法二
3.5 更新环境变量
3.6 验证安装
Attention！！！
4.安装cuDNN
4.1 简介
4.2 安装流程
4.3 下载安装包
4.4 执行安装命令
4.4.1 进入对应安装文件夹
4.4.2 解压
4.4.3 复制文件 + 权限修改
4.5 测试安装
5.安装深度学习框架Pytorch
总结
写在前面
由于笔者目前用的是VMware下的Ubuntu20.04，曾经也尝试过安装GPU版本的Pytorch，但虚拟机下安装英伟达驱动一直困扰着我。于是安装了cpu版本的Pytorch，凑合着跑通了深度学习项目（QAQ）
后来了解到需要安装vSphere Bitfusion Client客户端，但由于时间与精力有限就没有去尝试。如果有其他小伙伴在VM 下的ubuntu中成功配置好深度学习环境，有待指点迷津呀~~
最近，我的小伙伴慕笙需要跑深度学习项目，于是帮助TA在双系统下的Ubuntu配置了深度学习环境。在此过程中遇到了许多坑，主要是安装CUDA。听说这一过程可以劝退很多人，因此将详细的步骤以及采坑的经历记录下来，以示后来者！！
Dependency
- 双系统win10 + ubuntu 20.04
- Anaconda 3
- CUDA 11.3
- cuDNN v8.2.1
- Pytorch 1.10.2
1.安装Anaconda
1.1 下载安装包
官网or清华镜像源
建议大家选择后者，即使这样我也要把前者贴出来~~(有点专业的样子)
1.2 进入安装文件夹，执行安装脚本。
bash Anaconda3-5.3.0-Linux-x86.sh然后一路yes就欧克，但到后面要注意，可能会推送vscode，根据需求选择呀~
1.3 环境变量的配置与更新
echo 'export PATH="/home/thebin/anaconda3/bin:$PATH"' >>~/.bashrc更新：(一定记得！否则不生效！)
source ~/.bashrc # 或者 source /etc/profile 1.4 测试安装
conda -V或conda --version 1.5 创建虚拟环境
①查看当前环境
conda env list ②创建虚拟环境
conda create -n your_name ③激活创建的虚拟环境
conda activate your_name ④安装需要的包
conda install 或 pip install，对了，如果觉得用pip安装第三方库慢或者超时报错，可以采用豆瓣源，个人觉得相当好用❤❤❤
pip install your_package -i https://pypi.douan.com/simple2.安装英伟达驱动
法一: 命令行安装
终端执行如下指令，列出可支持的所有驱动以及推荐驱动。
ubuntu-drivers devices
一般选择推荐(recommand)驱动，安装命令如下：
sudo apt install nvidia-driver-460重启ubuntu：
sudo reboot法二：GUI界面
操作步骤：搜索driver，选择additional drivers，选择所需的驱动，安装，重启。
Tips：不论是哪种方法，安装完重启后要用nvidia-smi命令查看图形卡状态，可以看到驱动版本以及nvidia driver API 的cuda版本！
3.安装CUDA
3.1 简介
CUDA，全称ComputeUnified Device Architecture，是一种NVIDIA推出的通用的计算架构，该架构能够使GPU解决复杂的计算问题。
3.2 注意
安装CUDA前一定记得在官网查看一下驱动支持的CUDA版本！
这里贴一张CUDA 11的相关表：
3.3 安装流程
进入CUDA官网，选择对应的安装平台，安装类型选择runfile，参考如下：
信息确认后会提示安装指令。（wget会默认下载到当前目录 ）
wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run
sudo sh cuda_11.3.0_465.19.01_linux.run如果安装顺利进行，在一路yes后记得在NVIDIA Accelerated Graphics Driver时选择否，就没必要再安装英伟达驱动啦 那么如果不顺利咧，请往下看：
Error：执行安装脚本以后可能会提示系统有多个驱动需要移除，提示如下：
Method1：执行sudo apt install nvidia-cuda-toolkit，安装CUDA工具包（下面会讲到Method2）
Test：
nvcc -V 实际上，执行该命令出现CUDA的release以及version就证明runtime API cuda安装完毕~~而且也不需要按照下面的步骤配置环境变量。但这不一定就是最终的版本，因为CUDA与cuDNN之间存在依赖关系！
3.4 配置环境变量
如果能够成功执行脚本，安装CUDA驱动，那么就需要手动配置环境变量，参考如下：
法一
终端输入以下指令：
# 需指定CUDA加速版本，如cuda-10.1
export PATH="/usr/local/cuda/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda/lib64:$LD_LIBRARY_PATH"法二
执行以下指令，然后在UI界面添加法一中的两条指令。
sudo gedit ~/.bashrc该方法与法一并无本质区别，由于笔者用法一配置变量时无法奏效，或许是因为没有更新环境变量，目前尚不明确，如有小伙伴遇到了同样的经历，欢迎讨论~
3.5 更新环境变量
source ~/.bashrc3.6 验证安装
nvcc -V
Attention！！！
①关于nvcc -V与nvidia-smi命令显示的CUDA版本不一致问题。❗❗
由于cuda存在runtime API 与 nvidia drive API两个版本，前者是CUDA Toolkit安装的，称之为CUDA加速版本；而后者是Nvidia driver安装的，成为CUDA驱动版本，因此通常情况下，两者的版本不一致，前者版本都会低于后者。但在实际使用中，cuda版本是基于前者的，也就是runtime CUDA，这个CUDA才是用于深度学习的加速计算的。
②由于本次开发环境系统是ubuntu20.04，而只有CUDA 11.0以上版本才支持。但通过nvcc -V查看发现CUDA已经安装好了，原因是在执行sudo apt install nvidia-cuda-toolkit时默认安装了CUDA 10.1版本，(一个不被ubuntu 20.04支持的版本就这么诞生了，天哪！)。因此我们依然需要通过执行CUDA安装脚本来安装合理的版本。可是一开始执行sudo sh cuda_11.6.1_510.47.03_linux.run报错，因此这就涉及到了Method 2 ,参考如下：
由于ubuntu20.04默认的gcc版本是9，降级。
sudo apt-get install gcc-7 g++-7
目前还不清楚是否需要降级，开始的ERROR是否与gcc的版本有关尚未解决！
在降低gcc版本以后再次执行安装脚本依旧报错，提示：Installation failed. See log at /var/log/cuda-installer.log for details，错误日志内容如下：
原因：系统已安装CUDA驱动
解决方案：继续执行sudo sh cuda_11.6.1_510.47.03_linux.run安装命令，在进入该界面时选择Continue，然后在安装界面取消Driver！！！
如果没有取消Driver，在[ ]里会显示X！这里一定要注意！否则一直重来一直错！！！
等待安装......
安装完成后，配置环境变量、更新、测试，上面已经讲得很清楚啦！
如果你是按照上述流程配置的话，细心的你一定会发现我下载的CUDA包与执行安装的包版本不同。这里需要说明一下，由于开始只是关注了CUDA与nvidia driver的关系，而忽略了cuDNN与CUDA以及Pytorch与CUDA的依赖关系，因此在安装完CUDA 11.6以后发现没有该平台支持的Pytorch。目前，在Pytorch官网最高只支持CUDA 11.3，另一个就是CUDA 10.2。而后者在Ubuntu 20.04上是无法安装cuDNN的，于是选择了CUDA 11.3，卸载驱动，重新安装~~
4.安装cuDNN
4.1 简介
cuDNN是一个用于深度神经网络DNN的GPU加速库，可以在GPU上实现并行计算，显著提高性能。
4.2 安装流程
访问cuDNN官网
需要注册，有些麻烦，稍安勿躁~~来杯卡布奇诺☕
4.3 下载安装包
选择和系统CUDA匹配的cuDNN版本。
由于本次配置CUDA 为10.3，因此安装11.x系列的cuDNN.
这里选择for Linux.
4.4 执行安装命令
4.4.1 进入对应安装文件夹
cd ....4.4.2 解压
tar -zxvf cudnn-11.1-linux-x64-v8.0.5.39.tgz4.4.3 复制文件 + 权限修改
sudo cp cuda/include/cudnn*.h /usr/local/cuda/include
sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*官方安装教程在这里。
4.5 测试安装
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery最后出现Result = PASS，即安装成功！如下：
5.安装深度学习框架Pytorch
官网选择相关属性，参考如下：
然后切换到虚拟环境，执行安装命令即可，参考如下：
pip3 install torch==1.10.2+cu113 torchvision==0.11.3+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html测试安装，检查是否支持GPU驱动，参考如下：
That's True！！
Everything is OK！！
总结
本次深度学习环境的配置让我再次明白了一个道理：深入到细节是必然的，但更重要的是从整体上去思考问题。有了全局观念，就不会惑于某一个细节。这也是我的老师所强调的。
因此，大家在配置环境时一定要注意自己的系统版本、CUDA与Pytorch以及CUDA 与cuDNN的依赖关系等等 ，这样也不会像笔者一样将CUDA卸载多次才找到了适合的TA~~~~