目录

一. 安装NVIDIA驱动

1. 首先，查看NVIDIA驱动是否已安装

2.安装NVIDIA驱动

二.安装cuda

1. 查看NVIDIA版本对应的cuda版本

2. 选择CUDA版本（上限原则）

3. 安装cuda

4. 安装cndnn

三.安装tensorflow、pytorch深度学习框架

1. 安装tensorflow-gpu

2. 安装pytorch

四.参考

一. 安装NVIDIA驱动

1. 首先，查看NVIDIA驱动是否已安装

在终端输入以下命令，如果显示以下结果，说明NVIDIA驱动已经正常安装，否则，需要重新安装；

nvidia-smi

2.安装NVIDIA驱动

方法一：使用Ubuntu自带的镜像源安装

第一步：先在软件中搜索“软件和更新”，然后选择一个可用的镜像源，我选择的是清华的镜像源。我的选择如下：

第二步：选择源之后，还是在软件更新中，选择附加驱动，然后选择合适的驱动，应用更改就好,我本机选择的是nvidia-driver-455的驱动。

第三步：完成安装后，在终端输入 nvidia-smi，如果可以显示以下结果，恭喜你，安装NVIDIA驱动成功啦。

方法二：下载NVIDIA官方驱动

第一步： 进入NVIDIA官方下载与之匹配的驱动: https://www.nvidia.cn/geforce/drivers/ ,下图是我本机驱动匹配的信息。点击“开始搜索”，进入NVIDIA驱动下载界面。

第二步：点击获取下载，下载驱动，可以选择第一个最新版本的驱动进行下载安装。我本机选择下载的版本是455.38。

第三步：进入下载好的NVIDIA驱动的路径，开始安装NVIDIA驱动，执行以下命令进行安装。

sudo sh NVIDIA-Linux-x86_64-455.38.run

第四步：验证是否安装成功

完成安装后，在终端输入 nvidia-smi，如果可以显示以下结果，恭喜你，安装NVIDIA驱动成功。

二.安装cuda

1. 查看NVIDIA版本对应的cuda版本

进入该网址查看：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html ，如下图所示；

2. 选择CUDA版本（上限原则）

如上图所示，Ubuntu的显卡驱动版本为455.38，可以支持安装CUDA11.1.1update 1。有一个重要的原则：上限原则，即高版本可以兼容低版本（我本机的NVIDIA驱动支持安装CUDA11.1.1 update 1,所以我原则上可以安装CUDA11.1.1 update 1,及以下的任何一种cuda版本，也就是说，我不仅可以装CUDA11.1.1 update 1,还可以装CUDA10.0,CUDA9.2等，但不能安装CUDA 11.1.1 update 1以上的版本，这是由于受硬件的限制。这可以形象的理解为：一个可以挑100公斤重担的人，正常情况下他可以挑100公斤及100公斤以下的任何重量的物体。但不能挑超过100公斤物体。）

3. 安装cuda

第一步：进入cuda下载页面：https://developer.nvidia.com/CUDA-toolkit-archive

第二步：安装cuda10.0：下载deb文件：https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1804&target_type=deblocal

第三步：文件大小1.6GB，下载速度还是挺快的，下载完成后，进入下载目录，然后在终端输入以下命令：

sudo dpkg -i cuda-repo-ubuntu1804-10-0-local-10.0.130-410.48_1.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-10-0-local-10.0.130-410.48_1.0-1/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda

第四步：如果发现本机已自动升级最新版本了，运行以下命令

sudo apt-get install cuda-10.0

第五步：CUDA安装完成后，添加环境变量

gedit ~/.bashrc

第六步：在文件最后添加

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

第七步：最后，添加的环境变量生效，执行以下命令

source ~/.bashrc

第八步：查看cuda是否安装成功！

方法一：在终端输入

nvcc -V

如果显示以下结果，则表明安装成功：

方法二：去安装目录下查看或在终端输入

cat /usr/local/cuda/version.txt

如果显示以下结果，则表明安装成功：

4. 安装cndnn

第一步：去官网下载https://developer.nvidia.com/rdp/cudnn-archive,下载与cuda版本一致的cudnn版本。我下载的版本是cuDNN v7.6.5版本。

第二步：下载完成后，对文件进行解压，有一个cuda的文件夹，包括include 和 lib64，把里面的文件复制到/usr/local/cuda/里面相应的目录里：

sudo cp 解压地址/cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp 解压地址/cuda/lib64/libcudnn* /usr/local/cuda/lib64/然后给文件加读权限

第三步：然后给文件加读权限

sudo chmod a+x /usr/local/cuda/include/cudnn.hsudo chmod a+x /usr/local/cuda/lib64/libcudnn*

第四步：更新网络链接

cd /usr/local/cuda/lib64/
sudo chmod +r libcudnn.so.7.6.5 # 自己查看.so的版本
sudo ln -sf libcudnn.so.7.6.5. libcudnn.so.7
sudo ln -sf libcudnn.so.7 libcudnn.so
sudo ldconfig

第五步：查看cudnn是否安装好：

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

第六步：显示如下结果，恭喜，说明cudnn安装好啦！

三.安装tensorflow、pytorch深度学习框架

1. 安装tensorflow-gpu

第一步：查看tensorflow-gpu对应的cuda版本：https://tensorflow.google.cn/install/source_windows

由于我本机NVIDIA驱动支持安装的是cuda11.1.1 update1，（我本机装的是cuda10.0），所以我可以装tensorflow-gpu的cuda11.1.1 update1及以下的任何一个cuda版本。

第二步：安装tensorflow-gpu=2.2.0，进入tensorflow对应的虚拟环境（前提是已安装好了anaconda），在终端输入以下命令：

#使用conda安装tensorflow-gpu，它会自动匹配要安装的cuda版本：cuda10.1，如下图所示
conda install tensorflow-gpu==2.2.0

第三步：验证tensorflow-gpu是否安装成功

进入python编译环境，输入以下代码，如果输出结果是本机的GPU的信息和结果True（我的输出结果是： device (0): GeForce GTX 1080, Compute Capability 6.1 True），表示GPU可用：

python
import tensorflow as tf
print(tf.test.is_gpu_available())
tf.test.is_gpu_available()

2. 安装pytorch

第一步：匹配要安装的pytorch版本：https://pytorch.org/get-started/locally/

第二步：在终端输入以下命令：

conda install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch

第三步：验证pytorch是否安装成功，进入python编译环境，输入以下代码，如果输出结果是cuda，表示GPU可用，如果输出cpu，表示GPU不可以用：

import torch as t
device = t.device('cuda' if t.cuda.is_available() else 'cpu')
print(device)

四.参考

https://blog.csdn.net/momaojia/article/details/104435468#commentBox