Linux安装Cuda和多个Cuda版本切换

解决的问题:服务器上跑深度学习代码,通常都需要用到Cuda。有时候跑的不同程序要求的配置Cuda版本可能也不同,会需要不同Cuda版本的替换。

Linux安装Cuda

CUDA官网,下载安装,网址为:https://developer.nvidia.com/cuda-11.1.0-download-archive。
根据自己的本地环境配置就行选择。
在这里插入图片描述
下面会显示两行下载和安装的指令,按顺序输入。

wget https://developer.download.nvidia.com/compute/cuda/11.1.0/local_installers/cuda_11.1.0_455.23.05_linux.run
sudo sh cuda_11.1.0_455.23.05_linux.run

之后耐心等待一会,用上下键选中“Continue”回车。
在这里插入图片描述
然后用户同意部分,输入“accept”。
在这里插入图片描述
如果已经装过cuda,只是装多一个版本,可以把第一个Driver给取消掉,然后选中“install”安装。
在这里插入图片描述
之后一直默认就好了。

多个Cuda版本切换

很简单,就几行代码的事情。

先查看一下有多少个cuda版本,我们需要切换的是11.1.
查看安装的所有cuda版本。

ls /usr/local | grep cuda 

打开bashrc文件。

vim ~/.bashrc

在bashrc文件最后添加如下,如果是切换成其它版本把,cuda后面的版本号改了就行了。

export PATH="/usr/local/cuda-11.1/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda-11.1/lib64:$LD_LIBRARY_PATH"

esc后,输入":wq"保存后退出。

更新环境变量。

source ~/.bashrc

查看当前cuda版本,看是否切换:

nvcc -V

看到已经是cuda11.1,cuda版本切换完成。
在这里插入图片描述

### Conda 环境下多版本 CUDA安装与管理 在 Linux 系统中,使用 Conda 可以方便地管理隔离不同版本CUDA 工具包。以下是关于如何通过 Conda 安装管理多个 CUDA 版本的具体说明。 #### 创建独立的 Conda 虚拟环境 为了防止不同版本之间的冲突,建议为每个 CUDA 版本创建单独的 Conda 环境。可以通过以下命令实现: ```bash conda create -n cuda_env_11.3 python=3.8 ``` 此命令会创建名为 `cuda_env_11.3` 的新环境,并指定 Python 版本为 3.8[^3]。 #### 在特定环境中安装 CUDA 激活目标环境后,可以利用 NVIDIA 提供的官方通道来安装所需的 CUDA 版本。例如,在上述环境中安装 CUDA 11.3.1: ```bash conda activate cuda_env_11.3 conda install -c nvidia/label/cuda-11.3.1 cuda-nvcc ``` 这里 `-c nvidia/label/cuda-11.3.1` 表明从 NVIDIA 的自定义标签库中获取对应版本的工具链。 如果需要其他版本(如 CUDA 11.2 或者更早),只需调整 URL 中的版本号即可。例如对于 CUDA 10.2 使用如下命令: ```bash conda install -c nvidia/label/cuda-10.2 cuda-nvcc ``` #### 验证安装成功与否 完成安装之后,可通过运行 nvcc 编译器验证其功能正常: ```bash nvcc --version ``` 该操作应返回所选 CUDA 版本的相关信息。 #### 切换不同的 CUDA 版本 由于每种 CUDA 版本都位于各自的 Conda 环境之中,因此切换至另一个版本仅需重新激活相应的环境即可。比如要切换到支持 CUDA 10.2 的环境,则执行: ```bash conda deactivate conda activate cuda_env_10.2 ``` 这样就完成了从一个 CUDA 版本向另一版本的安全过渡[^2]。 #### 卸载不再使用的 CUDA 版本 当某个 CUDA 版本不再被需求时,可以选择删除对应的 Conda 环境从而彻底移除它: ```bash conda env remove -n cuda_env_11.3 ``` 这一步骤将清除掉整个 `cuda_env_11.3` 环境及其内部的所有软件包。 --- ### 注意事项 尽管 Conda 方法简化了多版本 CUDA 的管理工作流程,但在实际应用过程中仍需要注意一些细节问题: - **驱动兼容性**:确保主机系统的 NVIDIA 显卡驱动程序能够适配各个欲安装CUDA 版本的要求。 - **依赖关系处理**:某些深度学习框架可能绑定具体版本CUDA 库文件;此时应当优先考虑这些框架推荐的组合方案。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值