Ubuntu安装和卸载CUDA和CUDNN

秒速五厘米 2021-12-03 04:51 682阅读 0赞

# 目录 #

### 文章目录 ###

*  [目录][Link 1]
 *  [前言][Link 2]
 *  [安装显卡驱动][Link 3]
    
     *  [禁用nouveau驱动][nouveau]
     *  [下载驱动][Link 4]
     *  [卸载旧驱动][Link 5]
     *  [安装新驱动][Link 6]
 *  [卸载CUDA][CUDA]
 *  [安装CUDA][CUDA 1]
    
     *  [下载和安装CUDA][CUDA 2]
     *  [测试安装是否成功][Link 7]
     *  [下载和安装CUDNN][CUDNN]
 *  [测试安装结果][Link 8]
 *  [参考资料][Link 9]

# 前言 #

最近在学习PaddlePaddle在各个显卡驱动版本的安装和使用，所以同时也学习如何在Ubuntu安装和卸载CUDA和CUDNN，在学习过程中，顺便记录学习过程。在供大家学习的同时，也在加强自己的记忆。本文章以卸载CUDA 8.0 和 CUDNN 7.05 为例，以安装CUDA 10.0 和 CUDNN 7.4.2 为例。

# 安装显卡驱动 #

## 禁用nouveau驱动 ##

sudo vim /etc/modprobe.d/blacklist.conf

在文本最后添加：

blacklist nouveau
    options nouveau modeset=0

然后执行：

sudo update-initramfs -u

重启后，执行以下命令，如果没有屏幕输出，说明禁用nouveau成功：

lsmod | grep nouveau

## 下载驱动 ##

官网下载地址：[https://www.nvidia.cn/Download/index.aspx?lang=cn][https_www.nvidia.cn_Download_index.aspx_lang_cn] ，根据自己显卡的情况下载对应版本的显卡驱动，比如笔者的显卡是RTX2070：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMjAwOTY3_size_16_color_FFFFFF_t_70]

下载完成之后会得到一个安装包，不同版本文件名可能不一样：

NVIDIA-Linux-x86_64-410.93.run

## 卸载旧驱动 ##

以下操作都需要在命令界面操作，执行以下快捷键进入命令界面，并登录：

Ctrl-Alt+F1

执行以下命令禁用X-Window服务，否则无法安装显卡驱动：

sudo service lightdm stop

执行以下三条命令卸载原有显卡驱动：

sudo apt-get remove --purge nvidia*
    sudo chmod +x NVIDIA-Linux-x86_64-410.93.run
    sudo ./NVIDIA-Linux-x86_64-410.93.run --uninstall

## 安装新驱动 ##

直接执行驱动文件即可安装新驱动，一直默认即可：

sudo ./NVIDIA-Linux-x86_64-410.93.run

执行以下命令启动X-Window服务

sudo service lightdm start

最后执行重启命令，重启系统即可：

reboot

**注意：** 如果系统重启之后出现重复登录的情况，多数情况下都是安装了错误版本的显卡驱动。需要下载对应本身机器安装的显卡版本。

# 卸载CUDA #

为什么一开始我就要卸载CUDA呢，这是因为笔者是换了显卡RTX2070，原本就安装了CUDA 8.0 和 CUDNN 7.0.5不能够正常使用，笔者需要安装CUDA 10.0 和 CUDNN 7.4.2，所以要先卸载原来的CUDA。注意以下的命令都是在root用户下操作的。

卸载CUDA很简单，一条命令就可以了，主要执行的是CUDA自带的卸载脚本，读者要根据自己的cuda版本找到卸载脚本：

sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl

卸载之后，还有一些残留的文件夹，之前安装的是CUDA 8.0。可以一并删除：

sudo rm -rf /usr/local/cuda-8.0/

这样就算卸载完了CUDA。

# 安装CUDA #

安装的CUDA和CUDNN版本：

*  CUDA 10.0
 *  CUDNN 7.4.2

接下来的安装步骤都是在root用户下操作的。

## 下载和安装CUDA ##

我们可以在官网：[CUDA10下载页面][CUDA10]，  
下载符合自己系统版本的CUDA。页面如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMjAwOTY3_size_16_color_FFFFFF_t_70 1]

下载完成之后，给文件赋予执行权限：

chmod +x cuda_10.0.130_410.48_linux.run

执行安装包，开始安装：

./cuda_10.0.130_410.48_linux.run

开始安装之后，需要阅读说明，可以使用`Ctrl + C`直接阅读完成，或者使用`空格键`慢慢阅读。然后进行配置，我这里说明一下：

（是否同意条款，必须同意才能继续安装）
    accept/decline/quit: accept
    
    （这里不要安装驱动，因为已经安装最新的驱动了，否则可能会安装旧版本的显卡驱动，导致重复登录的情况）
    Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48?
    (y)es/(n)o/(q)uit: n
    
    Install the CUDA 10.0 Toolkit?（是否安装CUDA 10 ，这里必须要安装）
    (y)es/(n)o/(q)uit: y
    
    Enter Toolkit Location（安装路径，使用默认，直接回车就行）
     [ default is /usr/local/cuda-10.0 ]:  
    
    Do you want to install a symbolic link at /usr/local/cuda?（同意创建软链接）
    (y)es/(n)o/(q)uit: y
    
    Install the CUDA 10.0 Samples?（不用安装测试，本身就有了）
    (y)es/(n)o/(q)uit: n
    
    Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...（开始安装）

安装完成之后，可以配置他们的环境变量，在`vim ~/.bashrc`的最后加上以下配置信息：

export CUDA_HOME=/usr/local/cuda-10.0
    export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
    export PATH=${CUDA_HOME}/bin:${PATH}

最后使用命令`source ~/.bashrc`使它生效。

可以使用命令`nvcc -V`查看安装的版本信息：

test@test:~$ nvcc -V
    nvcc: NVIDIA (R) Cuda compiler driver
    Copyright (c) 2005-2018 NVIDIA Corporation
    Built on Sat_Aug_25_21:08:01_CDT_2018
    Cuda compilation tools, release 10.0, V10.0.130

## 测试安装是否成功 ##

执行以下几条命令：

cd /usr/local/cuda-10.0/samples/1_Utilities/deviceQuery
    make
    ./deviceQuery

正常情况下输出：

./deviceQuery Starting...
    
     CUDA Device Query (Runtime API) version (CUDART static linking)
    
    Detected 1 CUDA Capable device(s)
    
    Device 0: "GeForce RTX 2070"
      CUDA Driver Version / Runtime Version          10.0 / 10.0
      CUDA Capability Major/Minor version number:    7.5
      Total amount of global memory:                 7950 MBytes (8335982592 bytes)
      (36) Multiprocessors, ( 64) CUDA Cores/MP:     2304 CUDA Cores
      GPU Max Clock rate:                            1620 MHz (1.62 GHz)
      Memory Clock rate:                             7001 Mhz
      Memory Bus Width:                              256-bit
      L2 Cache Size:                                 4194304 bytes
      Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
      Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
      Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
      Total amount of constant memory:               65536 bytes
      Total amount of shared memory per block:       49152 bytes
      Total number of registers available per block: 65536
      Warp size:                                     32
      Maximum number of threads per multiprocessor:  1024
      Maximum number of threads per block:           1024
      Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
      Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
      Maximum memory pitch:                          2147483647 bytes
      Texture alignment:                             512 bytes
      Concurrent copy and kernel execution:          Yes with 3 copy engine(s)
      Run time limit on kernels:                     Yes
      Integrated GPU sharing Host Memory:            No
      Support host page-locked memory mapping:       Yes
      Alignment requirement for Surfaces:            Yes
      Device has ECC support:                        Disabled
      Device supports Unified Addressing (UVA):      Yes
      Device supports Compute Preemption:            Yes
      Supports Cooperative Kernel Launch:            Yes
      Supports MultiDevice Co-op Kernel Launch:      Yes
      Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
      Compute Mode:
         < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
    
    deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.0, CUDA Runtime Version = 10.0, NumDevs = 1
    Result = PASS

## 下载和安装CUDNN ##

进入到CUDNN的下载官网：[https://developer.nvidia.com/rdp/cudnn-download][https_developer.nvidia.com_rdp_cudnn-download] ，然点击Download开始选择下载版本，当然在下载之前还有登录，选择版本界面如下，我们选择`cuDNN Library for Linux`：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMjAwOTY3_size_16_color_FFFFFF_t_70 2]

下载之后是一个压缩包，如下：

cudnn-10.0-linux-x64-v7.4.2.24.tgz

然后对它进行解压，命令如下：

tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz

解压之后可以得到以下文件：

cuda/include/cudnn.h
    cuda/NVIDIA_SLA_cuDNN_Support.txt
    cuda/lib64/libcudnn.so
    cuda/lib64/libcudnn.so.7
    cuda/lib64/libcudnn.so.7.4.2
    cuda/lib64/libcudnn_static.a

使用以下两条命令复制这些文件到CUDA目录下：

cp cuda/lib64/* /usr/local/cuda-10.0/lib64/
    cp cuda/include/* /usr/local/cuda-10.0/include/

拷贝完成之后，可以使用以下命令查看CUDNN的版本信息：

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

# 测试安装结果 #

到这里就已经完成了CUDA 10 和 CUDNN 7.4.2 的安装。可以安装对应的Pytorch的GPU版本测试是否可以正常使用了。安装如下：

pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.0-cp35-cp35m-linux_x86_64.whl
    pip3 install torchvision

然后使用以下的程序测试安装情况：

import torch
    import torch.nn as nn
    import torch.nn.functional as F
    import torch.optim as optim
    import torch.backends.cudnn as cudnn
    from torchvision import datasets, transforms
    
    
    class Net(nn.Module):
        def __init__(self):
            super(Net, self).__init__()
            self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
            self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
            self.conv2_drop = nn.Dropout2d()
            self.fc1 = nn.Linear(320, 50)
            self.fc2 = nn.Linear(50, 10)
    
        def forward(self, x):
            x = F.relu(F.max_pool2d(self.conv1(x), 2))
            x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
            x = x.view(-1, 320)
            x = F.relu(self.fc1(x))
            x = F.dropout(x, training=self.training)
            x = self.fc2(x)
            return F.log_softmax(x, dim=1)
    
    
    def train(model, device, train_loader, optimizer, epoch):
        model.train()
        for batch_idx, (data, target) in enumerate(train_loader):
            data, target = data.to(device), target.to(device)
            optimizer.zero_grad()
            output = model(data)
            loss = F.nll_loss(output, target)
            loss.backward()
            optimizer.step()
            if batch_idx % 10 == 0:
                print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                    epoch, batch_idx * len(data), len(train_loader.dataset),
                           100. * batch_idx / len(train_loader), loss.item()))
    
    def main():
        cudnn.benchmark = True
        torch.manual_seed(1)
        device = torch.device("cuda")
        kwargs = {'num_workers': 1, 'pin_memory': True}
        train_loader = torch.utils.data.DataLoader(
            datasets.MNIST('../data', train=True, download=True,
                           transform=transforms.Compose([
                               transforms.ToTensor(),
                               transforms.Normalize((0.1307,), (0.3081,))
                           ])),
            batch_size=64, shuffle=True, **kwargs)
    
        model = Net().to(device)
        optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
    
        for epoch in range(1, 11):
            train(model, device, train_loader, optimizer, epoch)
    
    
    if __name__ == '__main__':
        main()

如果正常输出一下以下信息，证明已经安装成了：

Train Epoch: 1 [0/60000 (0%)]	Loss: 2.365850
    Train Epoch: 1 [640/60000 (1%)]	Loss: 2.305295
    Train Epoch: 1 [1280/60000 (2%)]	Loss: 2.301407
    Train Epoch: 1 [1920/60000 (3%)]	Loss: 2.316538
    Train Epoch: 1 [2560/60000 (4%)]	Loss: 2.255809
    Train Epoch: 1 [3200/60000 (5%)]	Loss: 2.224511
    Train Epoch: 1 [3840/60000 (6%)]	Loss: 2.216569
    Train Epoch: 1 [4480/60000 (7%)]	Loss: 2.181396

# 参考资料 #

1.  [https://developer.nvidia.com][https_developer.nvidia.com]
2.  [https://www.cnblogs.com/luofeel/p/8654964.html][https_www.cnblogs.com_luofeel_p_8654964.html]

[Link 1]: https://blog.csdn.net/qq_33200967/article/details/80689543#_0
[Link 2]: https://blog.csdn.net/qq_33200967/article/details/80689543#_2
[Link 3]: https://blog.csdn.net/qq_33200967/article/details/80689543#_5
[nouveau]: https://blog.csdn.net/qq_33200967/article/details/80689543#nouveau_6
[Link 4]: https://blog.csdn.net/qq_33200967/article/details/80689543#_27
[Link 5]: https://blog.csdn.net/qq_33200967/article/details/80689543#_36
[Link 6]: https://blog.csdn.net/qq_33200967/article/details/80689543#_54
[CUDA]: https://blog.csdn.net/qq_33200967/article/details/80689543#CUDA_71
[CUDA 1]: https://blog.csdn.net/qq_33200967/article/details/80689543#CUDA_85
[CUDA 2]: https://blog.csdn.net/qq_33200967/article/details/80689543#CUDA_93
[Link 7]: https://blog.csdn.net/qq_33200967/article/details/80689543#_149
[CUDNN]: https://blog.csdn.net/qq_33200967/article/details/80689543#CUDNN_205
[Link 8]: https://blog.csdn.net/qq_33200967/article/details/80689543#_240
[Link 9]: https://blog.csdn.net/qq_33200967/article/details/80689543#_328
[https_www.nvidia.cn_Download_index.aspx_lang_cn]: https://www.nvidia.cn/Download/index.aspx?lang=cn
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMjAwOTY3_size_16_color_FFFFFF_t_70]: /images/20211203/9157e95b6f0643eabb31b8b7c0cdced8.png
[CUDA10]: https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1604&target_type=runfilelocal
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMjAwOTY3_size_16_color_FFFFFF_t_70 1]: /images/20211203/2e44e1d65d4d4a4f8610f90c66a3144d.png
[https_developer.nvidia.com_rdp_cudnn-download]: https://developer.nvidia.com/rdp/cudnn-download
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMjAwOTY3_size_16_color_FFFFFF_t_70 2]: /images/20211203/ebf29f0880be43209dd456b97fb9fbf4.png
[https_developer.nvidia.com]: https://developer.nvidia.com/
[https_www.cnblogs.com_luofeel_p_8654964.html]: https://www.cnblogs.com/luofeel/p/8654964.html