Ubuntu系统_安装NVIDIA显卡驱动与CUDA Toolkit

显卡、显卡驱动、CUDA之间的关系

显卡（GPU）：显卡可用于计算，其从host端拿命令和数据。深度学习本身需要大量计算，而GPU的并行计算能力，在过去几年里恰当地满足了深度学习的需求。目前用于计算的显卡主流是Nvidia公司的显卡。
驱动：显卡驱动就是用来驱动显卡的程序，它是硬件所对应的软件。驱动程序即添加到操作系统中的一小块代码，其中包含有关硬件设备的信息。没有显卡驱动，就不能识别GPU硬件，不能调用其计算资源。
CUDA：是Nvidia推出的只能用于自家GPU的并行计算框架。只有安装这个框架才能够进行复杂的并行计算。主流的深度学习框架也都是基于CUDA进行GPU并行加速的，几乎无一例外。还有一个叫做cudnn，是针对深度卷积神经网络的加速库。CUDA运算是建立在受支持的GPU硬件设备之上的，没有相应的显卡、受支持的驱动，CUDA无法正常工作。

参考链接：https://www.zhihu.com/question/59184480/answer/162623008

以下主要涉及到在ubuntu系统下安装NVIDIA Driver（显卡驱动）和 CUDA Toolkit（常简称CUDA），以及一些常用命令操作。
传统上，先安装好NVIDIA Driver，再安装CUDA Toolkit。

常用操作

1.显卡驱动信息:

 nivida-smi           // 如果出现GPU列表，则驱动正常

2.查看显卡硬件型号以及系统推荐可安装的驱动版本号：

 sudo ubuntu-drivers devices

3.搜索系统中相关的cuda软件包:

 apt search cuda | grep cuda

4.安装驱动（3种方式）
①apt默认安装方式安装驱动（xxx是版本号）:

 sudo apt install nividia-driver-xxx

②若同意安装推荐版本，可直接使用自动安装:

 sudo ubuntu-drivers autoinstall

③去NVIDIA官网下载最新版驱动再手动安装：https://www.nvidia.com/Download/index.aspx

5.安装CUDA Toolkit（2种方式）
①apt默认安装方式：

 sudo apt install cuda

②去官网下载安装: https://developer.nvidia.com/cuda-toolkit-archive

6.安装成功后，查看所装的cuda版本号：

 nvcc -V

常见问题

1.使用nivida-smi查看显卡驱动时，出现报错“驱动与cuda版本不匹配”

接下来则需要检查驱动和CUDA二者是否正常以及相应的版本是否匹配。

若显卡驱动有问题，常见解决方式：①重启系统，原因是可能系统在自动升级更新驱动版本后还未重启过，所以驱动不能正常运行；②重启系统仍不能解决，则卸载显卡驱动再重装驱动；③最后解决不了则重装系统。

若显卡驱动正常只是版本升级更新了，而导致CUDA与其版本不匹配，则直接重新安装与其相匹配的CUDA版本即可。

2.使用nvcc -V命令时，若出现找不到该命令，但是cuda已经安装好了，则可能是cuda环境变量有问题。在.bashrc文件中配置环境变量，格式可参考（具体的路径按实际路径更改）：

export PATH=/usr/local/cuda-x.x/bin:$PATH   // 环境变量PATH设置可执行程序的搜索路径
export LD_LIBRARY_PATH=/usr/local/cuda-x.x/lib64:$LD_LIBRARY_PATH  //LD_LIBRARY_PATH设置动态链接库的搜索路径

注：CUDA, cuRAND 等动态库均位于/usr/local/cuda-x.x/lib64路径中；对于动态库cuBLAS，在CUDA 10.0以前，其位于/usr/local/cuda-x.x/lib64路径下，但在CUDA 10.1中，被迁移到/usr/lib/x86_64-linux-gun中。
此外，查找cuBLAS动态库路径：sudo find / -iname libcublas*