来源：机器之心

本文长度为2800字，建议阅读5分钟。

本文向你解释如何在一台新装的 Ubuntu 机器上安装 Python 和 Nvidia 硬件驱动、各类库和软件包。

为了进行强化学习研究，我最近购置了一台基于 Ubuntu 和英伟达 GPU 的深度学习机器。尽管目前在网络中能找到一些环境部署指南，但目前仍然没有全面的安装说明。另外，我也不得不阅读了很多文档来试图理解安装细节——其中的一些并不完整，甚至包含语法错误。因此，本文试图解决这个问题，提供一个详尽的软件环境安装指南。

本文将指导你安装

• 操作系统（Ubuntu）

• 4 种驱动和库（GPU 驱动、CUDA、cuDNN 和 pip）

• 5 种 Python 深度学习库（TensorFlow、Theano、CNTK、Keras 和 PyTorch）

这些软件之间的互相依赖关系如下图所示。其中，你只需要安装一种深度学习库，请自由选择。

深度学习软件安装和依赖示意图

以下是各个软件的细节介绍：

1. Ubuntu（v16.04.3）——操作系统，各种任务处理。

2. Nvidia GPU 驱动（v375）——允许系统获得 GPU 带来的加速。

3. CUDA（v8.0）——GPU C 语言库。「计算同一设备架构」。

4. cuDNN（v6.0.21）——基于 CUDA 的深度学习基元库。「CUDA 深度学习库」。

5. pip（v9.0.1）——Python 安装包。「Pip 安装包」。

6. TensorFlow（v1.3）——谷歌开发的深度学习框架。

7. Theano（v0.9.0）——此前由 MILA 负责维护的深度学习框架。

8. CNTK（v2.2）——微软研究院开发的深度学习框架。

9. Keras（v2.0.8）——深度学习包装可互换后端。可与 TensorFlow、Theano 和 CNTK 共同使用。

10. PyTorch（v0.2.0）——可被 GPU 加速的动态图深度学习框架，主要由 Facebook 的研究人员负责开发。

1. 安装 Ubuntu 16.04.3

v 16.04.3 可由 USB 启动的方式安装，它是最新的 LTS（长期支持）版本。首次在电脑上启用时，请在 BIOS 中选择由 USB 引导启动。

我的电脑中有两块硬盘——一块 1TB 的 SATA 和一块 256GB 的 SSD。在我的设想中，Ubuntu 被安装在常规硬盘中，固态硬盘（SSD）用于处理数据集和加速训练。在安装过程中，在屏幕中的 Installation Type 中选择 Something else，随后我们要进行三个分区操作：

• 引导分区（128GB）：包含系统文件、程序设置和文档。

• 交换分区（2 倍的内存大小）：对于我来说这就是 128GB。这块分区的容量用于扩展 Kernel RAM 作为虚拟内存使用。

• 用户分区（剩下的部分）：1TB 的硬盘剩下的空间大约还有 744GB。

在安装后，最好先运行以下命令来升级内核版本。

1. sudo apt-get update

2. sudo apt-get upgrade

Reference：https://tutorials.ubuntu.com/tutorial/tutorial-install-ubuntu-desktop#0

2. 安装英伟达 GPU 驱动

在安装完 Ubuntu 后，你可能会发现屏幕的分辨率不对，而且不能修改，这是因为现在还没有安装 GPU 驱动。

安装驱动有两种方法：从 Ubuntu 资源库和数据源。第一个方法更加容易，但需要频繁的重新安装。使用 sudo apt-get update 和 sudo apt-get upgrade 指令后，系统的内核可以自动升级。但这样并不会更新英伟达驱动，可能会导致 GUI 无法正确加载。从数据源安装可以避免这个问题。

• 从安装包里安装 v375 驱动（简单的方法）

以下命令会将与你系统相兼容的驱动版本显示出来，它会提供两个版本号：最新的不稳定版和长期稳定版。版本号会从头列起，所以你需要把页面滚到最上面。

1. sudo add-apt-repository ppa:graphics-drivers/ppa

添加并安装资源库。通过第二个命令，改变你想要安装的<driver_number>。我们在这里推荐安装最新的长期稳定版本——375 版。

1. sudo apt-get update

2. sudo apt-get install nvidia-<driver_number>

重启计算机以重新配置视频输出。

1. sudo shutdown -r now

要测试驱动程序是否工作，Screen Display（SUPERKEY，屏幕显示类型）现在应该可以识别你使用的显示器了，你可以修改设置、分辨率与方向。

Reference：https://launchpad.net/~graphics-drivers/+archive/ubuntu/ppa

• 从英伟达网站安装 v384.90（较难的方法）

从英伟达网站下载最新的驱动程序版本。基于硬件配置，我选择的选项是：

GeForce -> GeForce 10 Series -> GeForce GTX 1080 -> Linux 64 bit -> English (UK)

可选条件：编译到 32 位架构和 GUI 的开发版本。

1. sudo apt-get install gcc-multilib xorg-dev

按 CTRL + ALT + F1 键登录，从 GUI 转至终端。为了重建视频输出，必须先将其暂停。

1. sudo service lightdm stop

如果命令行没有效果，Ubuntu 新版本使用 systemctl 替换 lightdm。然后使 runfile 可执行，并运行它。

1. cd <download location>

2. chmod +x NVIDIA-Linux-x86_64-384.90.run

3. sudo ./NVIDIA-Linux-x86_64-384.90.run --dkms

运行时，你可能会收到一条 pre-install script failed 信息。这没什么影响，因为预安装脚本包含命令 exit 1，其目标是确保你真的想安装驱动程序。

选项--dkms（默认开启）在 kernel 自行更新时将驱动程序安装至模块中，从而阻止驱动程序重新安装。在 kernel 更新期间，dkms 触发驱动程序重编译至新的 kernel 模块堆栈。

如果安装失败，则原因在于计算机的 BIOS 未关闭 Secure Boot。重启电脑，在 BIOS 选项中关闭 Secure Boot。

如果安装成功，则可以重启 GUI。

1. sudo service lightdm start

卸载：sudo ./NVIDIA-Linux-x86_64-384.90.run --uninstall

验证

确保以下命令能够识别正确的 GPU 版本

1. nvidia-smi

确保驱动程序版本号与你安装的一致

1. cat /proc/driver/nvidia/version

3. 安装 CUDA 8.0

从英伟达网站，使用下列系统属性下载 CUDA 的 runfile（地址：https://developer.nvidia.com/cuda-downloads）。

Linux -> x86_64 -> Ubuntu -> 16.04 -> .deb(network)

导航至.deb 文件的位置后，将该文件解压缩，更新软件包列表，使用下列命令安装 CUDA。

1. sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb

2. sudo apt-get update

3. sudo apt-get install cuda

将库添加至 bash path，这样就可以使用其他应用找到库了。

1. echo 'export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}' >> ~/.bashrc

2. echo 'export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc

3. source ~/.bashrc

验证时，使用 nvcc -V 确保 Nvidia C Compiler（nvcc）版本与 CUDA 的版本匹配。

重启电脑 sudo shutdown -r now，完成安装。

可选操作：测试 CUDA 安装

测试安装的一个方法是运行一些示例。以下命令行创建了一个存储示例程序的 test_CUDA 目录。

1. mkdir test_CUDA

2. cd test_CUDA

3. ./cuda-install-samples-8.0.sh .

子目录 NVIDIA_CUDA-8.0_Samples/3_Imaging/cudaDecodeGL 中是 findgllib.mk 文件。该文件的第 61 行 30 列包含了英伟达驱动程序的硬编码值，该值应从 367 更改成你安装的驱动程序版本号。

编译示例

1. cd ../.. && make

你现在可以在 NVIDIA_CUDA-8.0_Samples 内随意运行示例。你可以在 NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release 中找到两个非常有用的脚本：./deviceQuery 可以在使用过程中打印 GPU，./bandwidthTest 可以打印它的带宽。

Reference：http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html

4. 安装 cuDNN 6.0.21

在英伟达网站上注册开发者项目，同意条款。从下拉菜单中选择 cuDNN v6.0.21 (April 27, 2017), for CUDA 8.0，并下载：

• cuDNN v6.0 Runtime Library for Ubuntu16.04 (Deb)

• cuDNN v6.0 Developer Library for Ubuntu16.04 (Deb)

• cuDNN v6.0 Code Samples and User Guide for Ubuntu16.04 (Deb)

.deb 优先于.tar，因为.deb 格式更适用于 Ubuntu，可以进行更纯净的安装。使用下列命令安装这三个包：

1. sudo dpkg -i libcudnn6_6.0.21-1+cuda8.0_amd64.deb

2. sudo dpkg -i libcudnn6-dev_6.0.21-1+cuda8.0_amd64.deb

3. sudo dpkg -i libcudnn6-doc_6.0.21-1+cuda8.0_amd64.deb

测试 cuDNN

将已安装的示例复制到可读目录，然后编译并运行 mnistCNN。

1. cp -r /usr/src/cudnn_samples_v6/ $HOME

2. cd $HOME/cudnn_samples_v6/mnistCUDNN

3. make clean && make

4. ./mnistCUDNN

如果一切顺利，脚本应该会返回一条 Test passed! 消息。

卸载 cudnn

使用以下命令卸载三个库。另外，如果你已经创建了样本，那么再加上 rm -r ~/cudnn_samples_v6。

1. sudo apt-get remove libcudnn6

2. sudo apt-get remove libcudnn6-dev

3. sudo apt-get remove libcudnn6-doc

Reference：cuDNN Installation Guide cuDNN Installation Guide（http://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html）

5. 安装 pip 9.0.1

Pip 的升级非常频繁，几乎每两周一次，建议使用最新版本的 pip。

请使用以下命令安装和升级最新版本的 pip。

1. sudo apt-get install python-pip python-dev

2. sudo pip install --upgrade pip

验证：请确保键入 pip -V 后可以打印出版本号。

6. 安装 Tensorflow 1.3.0

1. pip install tensorflow-gpu

验证：启动$ python，确认是否以下脚本能够打印出 Hello, Tensorflow!

1. import tensorflow as tf

2. hello = tf.constant('Hello, TensorFlow!')

3. sess = tf.Session()

4. print(sess.run(hello))

Reference：https://www.tensorflow.org/install/install_linux

7. 安装 Theano 0.10

Theano 需要的系统环境：

1. sudo apt-get install libopenblas-dev cmake git

此外还要遵循 Python 的系统需求。

1. sudo pip install numpy scipy nose sphinx pydot-ng pycuda scikit-cuda cython

libgpuarray 可以让 Theano 使用 GPU，它必须从源编译。首先下载源代码

1. git clone https://github.com/Theano/libgpuarray.git

2. cd libgpuarray

将其编译为一个名为 Build 的文件夹。

1. mkdir Build

2. cd Build

3. cmake .. -DCMAKE_BUILD_TYPE=Release

4. make

5. sudo make install

随后将其编译成一个 Python 包。

1. cd ..

2. python setup.py build

3. sudo python setup.py install

将下面一行添加至 ~/.bashrc，这样 Python 就可以找到库了。

1. export LD_LIBRARY_PATH=/usr/local/lib/:$LD_LIBRARY_PATH

最后，安装 Theano

1. sudo pip install git+https://github.com/Theano/Theano.git#egg=Theano

验证：创建测试文件 test_theano.py，其中的内容复制自：http://deeplearning.net/software/theano/tutorial/using_gpu.html#testing-theano-with-GPU

随后看看 THEANO_FLAGS=device=cuda0 python test_theano.py 在使用了 GPU 之后是否成功。

Reference: Theano 0.9.0 documentation（http://deeplearning.net/software/theano/install_ubuntu.html）

8. 安装 CNTK 2.2

1. sudo pip install https://cntk.ai/PythonWheel/GPU/cntk-2.2-cp27-cp27mu-linux_x86_64.whl

验证：输入 python -c "import cntk; print(cntk.__version__)"，输出 2.2。

Reference: Setup CNTK on your machine（https://docs.microsoft.com/en-us/cognitive-toolkit/setup-cntk-on-your-machine）

9. 安装 Keras 2.0.8

1. sudo pip install keras

验证：检查$ python 中的 import keras 是否成功。

Reference: Keras Installation（https://keras.io/#installation）

10. 安装 PyTorch 0.2.0

PyTorch 运行在两个库上： torchvision 和 torch，我们需要这样安装：

1. sudo pip install http://download.pytorch.org/whl/cu80/torch-

2. 0.2.0.post3-cp27-cp27mu-manylinux1_x86_64.whl

3. sudo pip install torchvision

验证：以下脚本能够打印出一个带有随机初始浮点数的张量。

1. from __future__ import print_function

2. import torch

3. x = torch.Tensor(5, 3)

4. print(x)

Reference: http://pytorch.org/

结论

目前为止，整个过程中最难的部分是找出 Nvidia 驱动和深度学习包之间的依赖关系，以及最有效的长期安装过程。而最简单的部分是安装 Python，安装包和文档都得到了良好的维护。

虽然阅读文档和源代码都非常耗费时间，但了解每个软件包的构建和功能是非常具有启发性的，它也可以帮助我们理解整个 Ubuntu 生态系统。

希望本文对你有所帮助。

编辑：文婧