Ubuntu系统用conda来配置深度学习环境

1. 配置显卡驱动

# 查看显卡驱动
nvidia-smi

如果是这个命令没有反应，就是没有显卡驱动，这个时候要先安装显卡驱动。然后再安装cuda，在这个图中，470.74表示显卡驱动的版本号, 11.4为支持的最高cuda版本信息。要注意显卡驱动版本和cuda版本的对应关系如下表所示。

cuda版本显卡驱动版本对应关系可以参考：Release Notes :: CUDA Toolkit Documentation

备注：显卡驱动下载：

驱动下载地址：Download Drivers | NVIDIA

填写自己要找的驱动要求，然后点search，最后可以出来download按钮，下载驱动安装的runfile文件。紧接着执行runfile文件。

# 换成自己的显卡驱动.run文件
sudo sh NVIDIA-Linux-x86_64-418.211.00.run

2. 安装cuda

cuda下载地址：https://developer.nvidia.com/cuda-toolkit-archive

找到自己要下载的版本，下载对应的runfile文件，然后执行相应的runfile文件。打开终端:

# 安装cuda
sudo sh cuda_11.4.0_470.42.01_linux.run

当安装界面启动，选择continue。
然后输入accept，回车。

由于你的系统中已经有了NVIDIA显卡驱动，如果不想安装CUDA 10.1中附带的驱动，移动到Driver选项上，按空格键将该项取消。如下图。
在这里插入图片描述
移动到Install选项，回车，等待安装完成。

如果安装cuda过程报错，用下面的命令重新安装

sudo sh cuda_11.4.0_470.42.01_linux.run --librarypath=/usr/local/cuda-11.4

安装完成后，需要为CUDA 11.4配置环境。

注意，如果显卡驱动版本高，但安装的cuda版本低，可能会报gcc版本过高的错误，如本显卡安装cuda10.1就出现了下列错误，所以如果要安装cuda10.1的话，要先给gcc降级。

Failed to verify gcc version. See log at /var/log/cuda-installer.log for details.

说明是gcc版本太高，参照Ubuntu20.04安装cuda10.1_feng98ren的专栏-CSDN博客_ubuntu20.04安装cuda给gcc降级。

命令跑完后，打开/usr/local应该是有cuda-11.4的文件夹的。

接下来配置cuda的系统路径，首先打开家目录下的.bashrc文件

sudo gedit ~/.bashrc

在文件的末尾添加如下内容：

# added install cuda
export PATH=/usr/local/cuda-11.4/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.4/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

保存并关闭文件，完成配置。更新环境：

source ~/.bashrc

最后检查cuda是否成功安装。可以采用nvcc -V命令查看是否成功安装，更重要的是，查看/usr/local文件夹下是否有cuda-11.4和cuda文件夹，有则表示大概率成功安装。

3. 安装cudnn

下载 cudnn: https://developer.nvidia.com/rdp/cudnn-download

下载下来的是tar.gz的压缩文件

解压 tar -zxvf cudnn-11.4-linux-x64-v8.2.2.26.tgz

将配置文件移动到 cuda 中 :

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ -d
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

执行完上述命令后，cuDNN 就安装好了

安装成功后，检查 :

nvcc –V

显示Cuda compilation tools, release 11.4, V11.4.48 则表示成功。

4. 安装Anaconda

下载anaconda安装包，然后运行

bash Miniconda3-py38_4.9.2-Linux-x86_64.sh

其他都是一路yes，当碰到Do you wish the installer to initialize Anaconda3 by running conda init ? 输入 no，回车。

然后把anaconda添加到用户环境变量中（对应conda的bin文件位置）。sudo gedit ~/.bashrc打开配置文件，在末尾加上下面这句话。

export PATH="/home/yc/miniconda3/bin:$PATH"

更新一下

source ~/.bashrc

最后输入conda -V检查是否安装成功。

此时conda的base环境内自带了一个python版本。

5. 安装pytorch

安装pytorch1.7.0

pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple

版本要和cuda的版本尽可能的对应，如果下载速度慢就换源试一试。具体哪个源快，还是默认源更快，都看脸看运气。具体可参考pytorch官网。

6. 安装mmdetection(可选)

mmdetection是商汤科技和香港中文大学开源的一个基于Pytorch实现的深度学习目标检测工具箱，支持Faster-RCNN，YOLO等主流的目标检测框架。

安装mmdetection要先安装mmcv，在安装时要注意pytorch版本和cuda版本。也要注意mmcv与mmdetection的版本对应问题，具体参考https://github.com/open-mmlab/mmdetection/blob/master/docs/get_started.md

比如安装mmdetection2.7

pip install mmcv-full==1.2.7 -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html

然后解压网上下载的mmdetection安装包：mmdet_2.7.zip

进入文件夹后运行

pip install matplotlib opencv-python requests -i https://pypi.douban.com/simple
pip install -r requirements/build.txt -i https://pypi.douban.com/simple
python setup.py develop

mmdetection安装成功。

新装Ubuntu系统基本环境安装配置(conda)