小白的实验室服务器深度学习环境配置指南
安装nvidia
本文在ubuntu server 22.04上实验成功，其他版本仅供参考
注意，本文仅适用于ubuntu server，不需要图形界面，没有对图形界面进行特殊考虑和验证！依赖图形操作界面的读者慎用
查看是否安装了gcc
gcc -v
若没有安装，则输入下面的命令，直接把包括gcc在内很多开发工具包一同安装
sudo apt-get install build-essential
禁用nouveau驱动
编辑 /etc/modprobe.d/blacklist-nouveau.conf 文件，添加以下内容：
blacklist nouveau
blacklist lbm-nouveau
options nouveau modeset=0
alias nouveau off
alias lbm-nouveau off
关闭nouveau：
echo options nouveau modeset=0 | sudo tee -a /etc/modprobe.d/nouveau-kms.conf
注意，本文仅适用于ubuntu server，不需要图形界面，没有对图形界面进行特殊考虑和验证！依赖图形操作界面的读者慎用！
完成后，重新生成内核并重启：
sudo update-initramfs -u
sudo reboot
重启后，执行：lsmod | grep nouveau。如果没有屏幕输出，说明禁用nouveau成功。否则，应重新执行第禁用nouveau驱动小节。
因为实验室服务器不方便重启，我没有重启，但执行：lsmod | grep nouveau，没有屏幕输出，说明禁用nouveau成功。
安装驱动
使用命令ubuntu-drivers devices获取可用驱动信息，如果命令不存在自己安装一下。
输出为：
== /sys/devices/pci0000:72/0000:72:00.0/0000:73:00.0 ==
modalias : pci:v000010DEd00002204sv00001028sd00003880bc03sc00i00
vendor : NVIDIA Corporation
model : GA102 [GeForce RTX 3090]
driver : nvidia-driver-525 - third-party non-free
driver : nvidia-driver-525-open - distro non-free
driver : nvidia-driver-525-server - distro non-free
driver : nvidia-driver-470 - distro non-free
driver : nvidia-driver-535-server-open - distro non-free
driver : nvidia-driver-470-server - distro non-free
driver : nvidia-driver-535 - distro non-free recommended
driver : nvidia-driver-535-server - distro non-free
driver : nvidia-driver-535-open - distro non-free
driver : xserver-xorg-video-nouveau - distro free builtin
注意recommend的版本是535，加上是在服务器上安装，初步确定安装nvidia-driver-535-server
还可以查看内核中nvidia的版本：cat /proc/driver/nvidia/version
输出为：
NVRM version: NVIDIA UNIX x86_64 Kernel Module 535.129.03 Thu Oct 19 18:56:32 UTC 2023
GCC version: gcc version 11.4.0 (Ubuntu 11.4.0-1ubuntu1~22.04)
可以看到版本是535
因此执行命令安装：sudo apt install nvidia-driver-535-server
等待安装完成后，执行nvidia-smi可以输出gpu监控界面，则驱动安装成功！
执行nvidia-smi的输出结果
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 535.129.03 Driver Version: 535.129.03 CUDA Version: 12.2 |
|-----------------------------------------+----------------------+----------------------+
| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+======================+======================|
| 0 NVIDIA GeForce RTX 3090 Off | 00000000:73:00.0 Off | N/A |
| 55% 66C P2 163W / 350W | 1575MiB / 24576MiB | 0% Default |
| | | N/A |
+-----------------------------------------+----------------------+----------------------+
+---------------------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=======================================================================================|
| 0 N/A N/A 1331109 C python3 1562MiB |
+---------------------------------------------------------------------------------------+
上图显示的显卡信息，第一行是版本信息，第二行是标题栏，第三行是具体的显卡信息。如果有多个显卡，就会有多行对应标题栏的信息。例如我上面显示了共0~4号，共5个卡。
- GPU：显卡编号，从0开始。
- Fan：风扇转速，在0~100%之间变动。这个速度是计算机期望的风扇转速，实际情况下如果风扇堵转，可能就不会显示具体转速值。有的设备不会返回转速，因为它不依赖风扇冷却，而是通过其他外设保持低温，比如我们实验室的服务器是常年放在空掉房间里面的。
- Name：显卡名，以上都是Tesla。
- Temp：显卡内部的温度，以上分别是54、49、46、50、39摄氏度。
- Perf：性能状态，从P0到P12，P0性能最大，P12最小 。
- Persistence-M：持续模式的状态开关，持续模式虽然耗能大，但是在新的GPU应用启动时，花费的时间更少。以上都是Off的状态。
- Pwr：能耗表示。
- Bus-Id：涉及GPU总线的相关信息。
- Disp.A：是Display Active的意思，表示GPU的显示是否初始化。
- Memory-Usage：显存的使用率。
- GPU-Util：GPU的利用率。
- Compute M.：计算模式。
- 下面的Process显示每块GPU上每个进程所使用的显存情况。
卸载显卡驱动
如果遇到Nvidia NVML Driver/library version mismatch的问题，又不方便重启实验室服务器，只能重装显卡驱动。因此将卸载显卡驱动的命令记录于此。
卸载显卡驱动：sudo apt-get remove --purge nvidia*
再执行：dpkg -l | grep nvidia
如果还有其他包，也全部卸载。
安装CUDA Toolkit
就安装nvidia-smi中适用于nvidia 535.129.03的最大的cuda版本：12.2
1、去官网选择要安装的版本
2、以cuda 12.2为例，选择系统配置。一定要选择runfile安装，因为使用runfile安装可以选择不安装nvidia驱动，而使用deb安装默认安装nvidia驱动，会出现driver/library version mismatch的问题
3、执行命令，由于前面已经安装了nvidia驱动，所以在安装选项里要取消Driver
4、将cuda写入环境变量，由于是多用户系统，在~/.bashrc文件（仅当前用户生效）的末尾写入
#####################cuda12.2#######################
export PATH=$PATH:/usr/local/cuda-12.2/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-12.2/lib64
5、source刷新环境变量
source /etc/profile
Anaconda虚拟环境配置
安装Anaconda
1、安装Anaconda
在使用服务器时，可以使用Anaconda来创建和管理多个虚拟环境，非常好用。安装步骤如下：
1、去官网下载安装文件
2、上传至服务器并赋予执行权限
chmod +x Anaconda3-2023.09-0-Linux-x86_64.sh
3、安装
sudo ./Anaconda3-2023.09-0-Linux-x86_64.sh
注意，安装路径默认是当前用户的home目录下的anaconda3，例如：~/anaconda3。在询问是否执行conda initialization时，选择yes，这样就不需要自己配置环境变量了（默认写入~/.bashrc文件）。
配置虚拟环境
1、新建一个Python环境
conda create -n test python=3.9 # 新建一个名为test的python3.9环境
conda activate test # 激活test环境
如果激活失败，可以先进入base环境再激活test环境，执行以下命令：
source activate
conda activate test
2、在虚拟环境中配置conda和PyTorch-GPU
去官网查看对应版本的安装命令并执行
不幸的发现最高的pytorch只支持cuda12.1版本
因此我们选择在虚拟环境中安装低版本cuda
conda install cuda=11.8
继续安装版本匹配的pytorch
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
验证是否安装成功
import torch
print(torch.__version__)
print(torch.cuda.is_available())
注意conda-forge这个通道会比较慢，所以安装pytorch的时候，最好选择不带conda-forge的命令
3、在虚拟环境中配置cudnn
去官网查看cudnn和cuda的版本对应关系
conda找不到对应版本的cudnn
输入命令： conda search cudnn -c conda-forge 然后出现了各个版本的cudnn：
选择一个合适的版本安装，这里选择cudnn 8.9.2.26
conda install cudnn=8.9.2.26
验证cudnn安装成功：conda list | grep cudnn
输出如下，安装成功
cudnn 8.9.2.26 cuda11_0
参考
[1] nvidia-smi查看GPU的使用信息并分析
[2] 【2022新教程】Ubuntu server 20.04如何安装nvidia驱动和cuda-解决服务器ssh一段时间后连不上的问题
[3] 这绝对是你见过的最全深度学习服务器管理配置手册