《带你学AI·深度学习环境配置》Ubuntu18.04一步步安装CUDA、Python、Pytorch&TensorFlow&MXNet

本文提供一个极简一步步安装CUDA&Python&Pytorch示例，此示例基于Ubuntu18.04，Ubuntu16及Windows10可以参考此示例做相应修改。

准备

示例环境：

Ubuntu18.04

需要安装的工具有：

1. 英伟达驱动（连接GPU与主机）
2. CudaToolKit（GPU加速依赖）
3. Miniconda（安装Python与管理Python环境）
4. Pytorch、TensorFlow与MXNet的GPU版本安装

操作

安装英伟达驱动

Ubuntu18.04：Bash 运行

sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub

sudo apt-get update

wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb

sudo apt install ./nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb

sudo apt-get update

sudo apt-get install --no-install-recommends nvidia-driver-450
# Reboot. Check that GPUs are visible using the command: nvidia-smi
复制代码

Ubuntu16.04：Bash 运行

sudo apt-get install gnupg-curl

sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub

sudo apt-get update

wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb
sudo apt install ./nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb
sudo apt-get update


sudo apt-get install --no-install-recommends nvidia-418
# Reboot. Check that GPUs are visible using the command: nvidia-smi
复制代码

然后重启系统，运行nvidia-smi看是否正确运行出如下界面：下面只是示例，应该NVIDIA-SMI 后版本与上面安装的一致（nvidia-driver-450）

 

安装CudaToolKit

以cuda11.0，Ubuntu18.04举例

1.百度搜索：cuda11.0

点击第一个链接进入（如果无法打开请科学上网解决）：CUDA Toolkit 11.0 Download | NVIDIA Developer

Ubuntu16.04 以此选择：Linux->x86_64->Ubuntu->16.04->deb(local)

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-ubuntu1604.pin
sudo mv cuda-ubuntu1604.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget http://developer.download.nvidia.com/compute/cuda/11.0.2/local_installers/cuda-repo-ubuntu1604-11-0-local_11.0.2-450.51.05-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1604-11-0-local_11.0.2-450.51.05-1_amd64.deb
sudo apt-key add /var/cuda-repo-ubuntu1604-11-0-local/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda
复制代码

Ubuntu18.04 以此选择：Linux->x86_64->Ubuntu->18.04->deb(local)，如图所示，复制Installation Instructions使用Bash执行：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget http://developer.download.nvidia.com/compute/cuda/11.0.2/local_installers/cuda-repo-ubuntu1804-11-0-local_11.0.2-450.51.05-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1804-11-0-local_11.0.2-450.51.05-1_amd64.deb
sudo apt-key add /var/cuda-repo-ubuntu1804-11-0-local/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda
复制代码

小宋说：这一步主要会出问题的是第三步，这一步是下载完整安装包，2GB左右。熟悉Bash指令小伙伴可以知道其实这是下载http://developer.download.nvidia.com/compute/cuda/11.0.2/local_installers/cuda-repo-ubuntu1804-11-0-local_11.0.2-450.51.05-1_amd64.deb这个链接文件的指令。这一步可以使用迅雷等工具复制链接加速下载，后复制到bash运行路径下（第三步就不用再bash下执行了），后执行第四步安装。

 

Miniconda安装

建议使用清华源，地址：mirrors.tuna.tsinghua.edu.cn/anaconda/mi…

网页翻到最后，下载对应系统下最新版即可（注意选择x86_64后缀）：Miniconda3-py38_4.9.2-Linux-x86_64.sh

 下载后使用在bash下执行一下（注意文件所在路径）：

bash Miniconda3-py38_4.9.2-Linux-x86_64.sh
复制代码

遇到选项属于Yes，其他默认即可。安装完成后新建一个Terminal，然后conda才会生效。

Pytorch与TensorFlow的GPU版本安装

参照：『技术随手学』pip conda 替换清华源 Windows与Ubuntu通用

1.首先对conda与pip换国内源用以加速，bash执行

#pip
pip install pip -U
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

#conda
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
 

conda config --set show_channel_urls yes
复制代码

如果以下步骤遇到CondaHTTPError: HTTP 000 CONNECTION FAILED问题，可以参考这个博客解决：

『技术随手学』解决windows与ubuntu平台 CondaHTTPError: HTTP 000 CONNECTION FAILED 问题

2.使用conda创建一个深度学习Python环境，bash执行：

conda create -n dl_py37 python=3.7
复制代码

后激活Python环境，注意如果执行后 (base) root@b9fc5be9c7f1:~#  -> (dl_py37) root@b9fc5be9c7f1:~#

conda activate dl_py37
复制代码

3.安装Pytoch1.7，bash执行（建议cudatoolkit使用10.1用来支持TensorFlow2.3）：

conda install pytorch torchvision torchaudio cudatoolkit=10.1
复制代码

4.安装TensorFlow，bash执行（注意tensorflow==2.3，是==，tensorflow2.3已经默认支持GPU，所以不用指定）：

pip install tensorflow==2.3
复制代码

5.安装MXNet，bash执行（注意cu101代表是cudatoolkit=10.1）：

pip install mxnet-cu101==1.7
复制代码

6.测试Pytorch、TensorFlow与MXNet

参照：『AI实践学』测试深度学习框架GPU版本是否正确安装方法:TensorFlow，PyTorch，MXNet，PaddlePaddle

1）TensorFlow

TensorFlow1.x与TensorFlow2.x测试方法是一样的，代码如下：

import tensorflow as tf

print(tf.test.is_gpu_available())
复制代码

上述代码保存为.py文件，使用需要测试环境即可运行，输出：上面是一下log信息，关键的是的最后True，表示测试成功

2020-09-28 15:43:03.197710: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2020-09-28 15:43:03.204525: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library nvcuda.dll
2020-09-28 15:43:03.232432: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1618] Found device 0 with properties:
name: GeForce RTX 2070 with Max-Q Design major: 7 minor: 5 memoryClockRate(GHz): 1.125
pciBusID: 0000:01:00.0
2020-09-28 15:43:03.235352: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_100.dll
2020-09-28 15:43:03.242823: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_100.dll
2020-09-28 15:43:03.261932: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cufft64_100.dll
2020-09-28 15:43:03.268757: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library curand64_100.dll
2020-09-28 15:43:03.297478: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusolver64_100.dll
2020-09-28 15:43:03.315410: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusparse64_100.dll
2020-09-28 15:43:03.330562: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudnn64_7.dll
2020-09-28 15:43:03.332846: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1746] Adding visible gpu devices: 0
2020-09-28 15:43:05.198465: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1159] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-09-28 15:43:05.200423: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1165]      0
2020-09-28 15:43:05.201540: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1178] 0:   N
2020-09-28 15:43:05.203863: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1304] Created TensorFlow device (/device:GPU:0 with 6306 MB memory) -> physical GPU (device: 0, name: GeForce RTX 2070 with Max-Q Design, pci bus id: 0000:01:00.0, compute capability: 7.5)
True
复制代码

上面是一下log信息，关键的是的最后True，表示测试成功。其实我们还可以发现很多GPU信息

GPU型号：name: GeForce RTX 2070 with Max-Q Design

cuda版本：Successfully opened dynamic library cudart64_100.dll（10.0）

cudnn版本：Successfully opened dynamic library cudnn64_7.dll（7.x）

GPU数目：Adding visible gpu devices: 0（1）

GPU显存：/device:GPU:0 with 6306 MB memory（8G）

2）PyTorch

PyTorch与TensorFlow测试方法类似，都有GPU测试接口。PyTorch的GPU测试代码如下：

import torch

print(torch.cuda.is_available())
复制代码

上述代码保存为.py文件，使用需要测试环境即可运行，输出：True，表示测试成功

True
复制代码

可以看出PyTorch输出信息简洁很多。其实TensorFlow的log信息输出也是可以控制的。

3）MXNet

MXNet与PyTorch，TensorFlow测试方法不同，由于MXNet'没有GPU测试接口（或者说笔者没有找到）。所以MXNet的GPU测试代码采用try-catch捕捉异常的方法来测试，代码如下：

import mxnet as mx

mxgpu_ok = False

try:
    _ = mx.nd.array(1,ctx=mx.gpu(0))
    mxgpu_ok = True
except:
    mxgpu_ok = False

print(mxgpu_ok)
复制代码

上述代码保存为.py文件，使用需要测试环境即可运行，输出：True，表示测试成功

附录：如何卸载Nvidia_Driver与Cuda Toolkit

To remove NVIDIA Drivers:

sudo apt-get --purge remove "*nvidia*"
sudo apt autoremove
复制代码

To remove CUDA Toolkit:

sudo apt-get --purge remove "*cublas*" "cuda*"
sudo apt autoremove
复制代码

欢迎大家关注小宋公众号 《极简AI》 带你学深度学习：

​基于深度学习的理论学习与应用开发技术分享，笔者会经常分享深度学习干货内容，大家在学习或者应用深度学习时，遇到什么问题也可以与我在上面交流知无不答。

出自CSDN博客专家&知乎深度学习专栏作家@小宋是呢