Ubuntu16.04 配置anaconda环境+cuda10.1+cudnn7.6.3+pytorch1.5

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

由于上篇博客是在Virtualenv环境下安装tensorflow环境，这篇文章是补充在anaconda环境下安装tensorflow和pytorch环境。涉及到在同一台主机下，存在多个cuda版本，安装过程中的遇到一系列问题的解决方案。

一、安装anaconda

1. anaconda下载网站
2. 安装步骤 参考如下

二、安装cuda10.1

1.Cuda下载网站

下载网址

2.Cuda安装步骤

1. sudo dpkg -i cuda-repo-ubuntu1604-10-1-local-10.1.105-418.39_1.0-1_amd64.deb

`sudo dpkg -i cuda-repo-ubuntu1604-10-1-local-10.1.105-418.39_1.0-1_amd64.deb`

2. `sudo apt-key add /var/cuda-repo-<version>/7fa2af80.pub`
sudo apt-key add /var/cuda-repo-10-1-local-10.1.105-418.39/7fa2af80.pub

3. `sudo apt-get update`
4. `sudo apt-get install cuda``
5. sudo apt install cuda-toolkit-10-1  #只安装CUDA 10.1

三、安装cudnn7.6.3

sudo dpkg -i libcudnn7_7.6.3.30-1+cuda10.1_amd64.deb 
sudo dpkg -i libcudnn7-dev_7.6.3.30-1+cuda10.1_amd64.deb

sudo cp /usr/include/cudnn.h /usr/local/cuda-10.1/include
sudo cp /var/lib/dpkg/info/libcudnn* /usr/local/cuda-10.1/lib64
sudo chmod a+r /usr/local/cuda-9.0/include/cudnn.h /usr/local/cuda-10.1/lib64/libcudnn*

四、更改环境变量

sudo gedit ~/.bashrc

source ~/.bashrc

五、在Anaconda里面配置tensorflow或pytorch框架

1. 在Anaconda里面新建虚拟环境

conda create -n <name> <python版本>
例如：
1）conda create -n tensorflow1.0.1 python=2.7 
2）conda create -n pytorch python=3.7 

2.安装tensorflow命令

3. 安装GPU-pytorch命令
   官方地址
   根据本地服务器安装的系统版本及cuda版本选择合适的pytorch安装版本

conda install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch

4. 查看配置环境：

 conda activate pytorch
 conda list

六、配置环境过程中遇到的一些报错及解法办法

1.nvidia-smi提示 command not found

NVIDIA-SMI has failed because it couldn’t communicate with NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.
显卡驱动找不到解决方案：

1. 方法1：

step1：sudo apt-get install dkms
step2:   sudo dkms install -m nvidia -v 430.64
nvidia-smi
改为自己显卡版本号 查看方式 cd /usr/src 查看
特斯拉显卡版本 430.64
4.15.0-126-generic/x86_64

==亲测无效 ==
2. 方法2：

1）删除之前安装的nvidia驱动，运行 ：

sudo apt-get purge nvidia-*  

2） 添加第三方驱动源，运行

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

3）更新软件源：

sudo apt-get update  

4.安装：

sudo apt-get install nvidia-430 
sudo apt-get update   
sudo apt-get upgrade  

重新启动
==亲测有效 ==

2.【nvidia-smi报错】Failed to initialize NVML: Driver/library version mismatch

1.卸载驱动
sudo apt-get purge nvidia*
2.查找可用的驱动版本
ubuntu-drivers devices
3.cat /proc/driver/nvidia/version

4.于是尝试安装430版本的驱动：
sudo apt-get install nvidia-driver-430 nvidia-settings nvidia-prime

ubuntu桌面->左下角九宫格->software & update->additional Drivers。

现在可用更改gpu驱动，我这里选择了nvidia-driver-430(可能尝试其他也可以)。

点击apply changes，然后安装结束重启，
终端输入：

nvidia-smi

3.错误files list file for package ‘libeigen3-dev’ missing; assuming package has no files currently installed的解决方法

sudo apt-get update
sudo apt-get install --reinstall libeigen3-dev

4.发现cuda版本用nvcc和cat查询的不一样

修改bashrc配置文件，根据自己的需求修改cuda版本。如果需要用到cunda9.0，就将bashrc配置文件中的cuda换成9.0，这样就能在同一台服务器中安装多版本cuda了。

5.发现cuda nvcc和nvidia-smi版本不一致

1. 为何nvidia-smi 中的CUDA 版本与 nvcc不一致

nvidia-smi的结果显示CUDA版本是10.2，而从nvcc-V命令来看，却是CUDA 9.0。
其实是因为CUDA 有两种API，分别是 运行时 API 和 驱动API，即所谓的 Runtime API 与 Driver API。
nvidia-smi 的结果除了有 GPU 驱动版本型号，还有 CUDA Driver API的型号，这里是 10.2。
而nvcc的结果是对应 CUDA Runtime API：
在安装CUDA 时候会安装3大组件，分别是 NVIDIA 驱动、toolkit 和 samples。NVIDIA 驱动是用来控制 GPU 硬件，toolkit 里面包括nvcc编译器等，samples或者说SDK 里面包括很多样例程序包括查询设备、带宽测试等等。上面说的 CUDA Driver API是依赖于 NVIDIA 驱动 安装的，而CUDA Runtime API 是通过CUDA toolkit 安装的。引用

2. 显卡，显卡驱动,nvcc, cuda driver,cudatoolkit,cudnn的协作与联系
   如果driver API和runtime API的CUDA版本不一致可能是因为你使用的是单独的GPU driver installer，而不是CUDA Toolkit installer里的GPU driver installer

---

6.ensorflow的CUDA driver version is insufficient for CUDA runtime version 问题解决方案

解决办法参考如下

总结