Ubuntu怎么安装和卸载CUDA和CUDNN

这篇文章主要介绍了Ubuntu怎么安装和卸载CUDA和CUDNN的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Ubuntu怎么安装和卸载CUDA和CUDNN文章都会有所收获，下面我们一起来看看吧。

安装显卡驱动

禁用nouveau驱动

sudo vim /etc/modprobe.d/blacklist.conf

在文本最后添加：

blacklist nouveau
options nouveau modeset=0

然后执行：

sudo update-initramfs -u

重启后，执行以下命令，如果没有屏幕输出，说明禁用nouveau成功：

lsmod | grep nouveau

下载驱动

根据自己显卡的情况下载对应版本的显卡驱动，比如笔者的显卡是rtx2070：

下载完成之后会得到一个安装包，不同版本文件名可能不一样：

nvidia-linux-x86_64-410.93.run

卸载旧驱动

以下操作都需要在命令界面操作，执行以下快捷键进入命令界面，并登录：

ctrl-alt+f1

执行以下命令禁用x-window服务，否则无法安装显卡驱动：

sudo service lightdm stop

执行以下三条命令卸载原有显卡驱动：

sudo apt-get remove --purge nvidia*
sudo chmod +x nvidia-linux-x86_64-410.93.run
sudo ./nvidia-linux-x86_64-410.93.run --uninstall

安装新驱动

直接执行驱动文件即可安装新驱动，一直默认即可：

sudo ./nvidia-linux-x86_64-410.93.run

执行以下命令启动x-window服务

sudo service lightdm start

最后执行重启命令，重启系统即可：

reboot

注意： 如果系统重启之后出现重复登录的情况，多数情况下都是安装了错误版本的显卡驱动。需要下载对应本身机器安装的显卡版本。

卸载cuda

为什么一开始我就要卸载cuda呢，这是因为笔者是换了显卡rtx2070，原本就安装了cuda 8.0 和 cudnn 7.0.5不能够正常使用，笔者需要安装cuda 10.0 和 cudnn 7.4.2，所以要先卸载原来的cuda。注意以下的命令都是在root用户下操作的。

卸载cuda很简单，一条命令就可以了，主要执行的是cuda自带的卸载脚本，读者要根据自己的cuda版本找到卸载脚本：

sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl

卸载之后，还有一些残留的文件夹，之前安装的是cuda 8.0。可以一并删除：

sudo rm -rf /usr/local/cuda-8.0/

这样就算卸载完了cuda。

安装cuda

安装的cuda和cudnn版本：

• cuda 10.0

• cudnn 7.4.2

接下来的安装步骤都是在root用户下操作的。

下载和安装cuda

我们可以在官网：cuda10下载页面，
下载符合自己系统版本的cuda。页面如下：

下载完成之后，给文件赋予执行权限：

chmod +x cuda_10.0.130_410.48_linux.run

执行安装包，开始安装：

./cuda_10.0.130_410.48_linux.run

开始安装之后，需要阅读说明，可以使用

ctrl + c

直接阅读完成，或者使用

空格键

慢慢阅读。然后进行配置，我这里说明一下：

（是否同意条款，必须同意才能继续安装）
accept/decline/quit: accept

（这里不要安装驱动，因为已经安装最新的驱动了，否则可能会安装旧版本的显卡驱动，导致重复登录的情况）
install nvidia accelerated graphics driver for linux-x86_64 410.48?
(y)es/(n)o/(q)uit: n

install the cuda 10.0 toolkit?（是否安装cuda 10 ，这里必须要安装）
(y)es/(n)o/(q)uit: y

enter toolkit location（安装路径，使用默认，直接回车就行）
 [ default is /usr/local/cuda-10.0 ]: 

do you want to install a symbolic link at /usr/local/cuda?（同意创建软链接）
(y)es/(n)o/(q)uit: y

install the cuda 10.0 samples?（不用安装测试，本身就有了）
(y)es/(n)o/(q)uit: n

installing the cuda toolkit in /usr/local/cuda-10.0 ...（开始安装）

安装完成之后，可以配置他们的环境变量，在

vim ~/.bashrc

的最后加上以下配置信息：

export cuda_home=/usr/local/cuda-10.0
export ld_library_path=${cuda_home}/lib64
export path=${cuda_home}/bin:${path}

最后使用命令

source ~/.bashrc

使它生效。

可以使用命令

nvcc -v

查看安装的版本信息：

test@test:~$ nvcc -v
nvcc: nvidia (r) cuda compiler driver
copyright (c) 2005-2018 nvidia corporation
built on sat_aug_25_21:08:01_cdt_2018
cuda compilation tools, release 10.0, v10.0.130

测试安装是否成功

执行以下几条命令：

cd /usr/local/cuda-10.0/samples/1_utilities/devicequery
make
./devicequery

正常情况下输出：

./devicequery starting...

 cuda device query (runtime api) version (cudart static linking)

detected 1 cuda capable device(s)

device 0: "geforce rtx 2070"
 cuda driver version / runtime version   10.0 / 10.0
 cuda capability major/minor version number: 7.5
 total amount of global memory:     7950 mbytes (8335982592 bytes)
 (36) multiprocessors, ( 64) cuda cores/mp:  2304 cuda cores
 gpu max clock rate:       1620 mhz (1.62 ghz)
 memory clock rate:        7001 mhz
 memory bus width:        256-bit
 l2 cache size:         4194304 bytes
 maximum texture dimension size (x,y,z)   1d=(131072), 2d=(131072, 65536), 3d=(16384, 16384, 16384)
 maximum layered 1d texture size, (num) layers 1d=(32768), 2048 layers
 maximum layered 2d texture size, (num) layers 2d=(32768, 32768), 2048 layers
 total amount of constant memory:    65536 bytes
 total amount of shared memory per block:  49152 bytes
 total number of registers available per block: 65536
 warp size:          32
 maximum number of threads per multiprocessor: 1024
 maximum number of threads per block:   1024
 max dimension size of a thread block (x,y,z): (1024, 1024, 64)
 max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)
 maximum memory pitch:       2147483647 bytes
 texture alignment:        512 bytes
 concurrent copy and kernel execution:   yes with 3 copy engine(s)
 run time limit on kernels:      yes
 integrated gpu sharing host memory:   no
 support host page-locked memory mapping:  yes
 alignment requirement for surfaces:   yes
 device has ecc support:      disabled
 device supports unified addressing (uva):  yes
 device supports compute preemption:   yes
 supports cooperative kernel launch:   yes
 supports multidevice co-op kernel launch:  yes
 device pci domain id / bus id / location id: 0 / 1 / 0
 compute mode:
  < default (multiple host threads can use ::cudasetdevice() with device simultaneously) >

devicequery, cuda driver = cudart, cuda driver version = 10.0, cuda runtime version = 10.0, numdevs = 1
result = pass

下载和安装cudnn

进入到cudnn的下载官网：，然点击download开始选择下载版本，当然在下载之前还有登录，选择版本界面如下，我们选择

cudnn library for linux

：

下载之后是一个压缩包，如下：

cudnn-10.0-linux-x64-v7.4.2.24.tgz

然后对它进行解压，命令如下：

tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz

解压之后可以得到以下文件：

cuda/include/cudnn.h
cuda/nvidia_sla_cudnn_support.txt
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.7
cuda/lib64/libcudnn.so.7.4.2
cuda/lib64/libcudnn_static.a

使用以下两条命令复制这些文件到cuda目录下：

cp cuda/lib64/* /usr/local/cuda-10.0/lib64/
cp cuda/include/* /usr/local/cuda-10.0/include/

拷贝完成之后，可以使用以下命令查看cudnn的版本信息：

cat /usr/local/cuda/include/cudnn.h | grep cudnn_major -a 2

测试安装结果

到这里就已经完成了cuda 10 和 cudnn 7.4.2 的安装。可以安装对应的pytorch的gpu版本测试是否可以正常使用了。安装如下：

pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.0-cp35-cp35m-linux_x86_64.whl
pip3 install torchvision

然后使用以下的程序测试安装情况：

import torch
import torch.nn as nn
import torch.nn.functional as f
import torch.optim as optim
import torch.backends.cudnn as cudnn
from torchvision import datasets, transforms


class net(nn.module):
 def __init__(self):
  super(net, self).__init__()
  self.conv1 = nn.conv2d(1, 10, kernel_size=5)
  self.conv2 = nn.conv2d(10, 20, kernel_size=5)
  self.conv2_drop = nn.dropout2d()
  self.fc1 = nn.linear(320, 50)
  self.fc2 = nn.linear(50, 10)

 def forward(self, x):
  x = f.relu(f.max_pool2d(self.conv1(x), 2))
  x = f.relu(f.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
  x = x.view(-1, 320)
  x = f.relu(self.fc1(x))
  x = f.dropout(x, training=self.training)
  x = self.fc2(x)
  return f.log_softmax(x, dim=1)


def train(model, device, train_loader, optimizer, epoch):
 model.train()
 for batch_idx, (data, target) in enumerate(train_loader):
  data, target = data.to(device), target.to(device)
  optimizer.zero_grad()
  output = model(data)
  loss = f.nll_loss(output, target)
  loss.backward()
  optimizer.step()
  if batch_idx % 10 == 0:
   print('train epoch: {} [{}/{} ({:.0f}%)]	loss: {:.6f}'.format(
    epoch, batch_idx * len(data), len(train_loader.dataset),
      100. * batch_idx / len(train_loader), loss.item()))

def main():
 cudnn.benchmark = true
 torch.manual_seed(1)
 device = torch.device("cuda")
 kwargs = {'num_workers': 1, 'pin_memory': true}
 train_loader = torch.utils.data.dataloader(
  datasets.mnist('../data', train=true, download=true,
      transform=transforms.compose([
       transforms.totensor(),
       transforms.normalize((0.1307,), (0.3081,))
      ])),
  batch_size=64, shuffle=true, **kwargs)

 model = net().to(device)
 optimizer = optim.sgd(model.parameters(), lr=0.01, momentum=0.5)

 for epoch in range(1, 11):
  train(model, device, train_loader, optimizer, epoch)


if __name__ == '__main__':
 main()

如果正常输出一下以下信息，证明已经安装成了：

train epoch: 1 [0/60000 (0%)] loss: 2.365850
train epoch: 1 [640/60000 (1%)] loss: 2.305295
train epoch: 1 [1280/60000 (2%)] loss: 2.301407
train epoch: 1 [1920/60000 (3%)] loss: 2.316538
train epoch: 1 [2560/60000 (4%)] loss: 2.255809
train epoch: 1 [3200/60000 (5%)] loss: 2.224511
train epoch: 1 [3840/60000 (6%)] loss: 2.216569
train epoch: 1 [4480/60000 (7%)] loss: 2.181396