不安装cudnn可不可以_cuDNN安装

这个系列写了好几篇文章，这是相关文章的索引，仅供参考：

去年上半年配置了一台GTX1080深度学习主机：深度学习主机攒机小记，然后分别写了两篇深度学习环境配置的文章：深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0 和 深度学习主机环境配置: Ubuntu16.04+GeForce GTX 1080+TensorFlow，得到了很多同学留言，不过这个一年多以前完成的深度学习环境配置方案显得有些落伍了。这一年里，深度学习领域继续高歌猛进，包括 Andrew Ng也离开百度出来创业了，他的第一个项目是deeplearning.ai，和Coursera合作推出了一个深度学习专项课程系列: Andrew Ng 深度学习课程小记。另外GTX1080的升级版1080TI显卡的发售也刺激了深度学习服务器的配置升级，我也机缘巧合的配置了3台1080TI深度学习服务器：从零开始搭建深度学习服务器：硬件选择。同时深度学习工具的开发迭代速度也惊人，Theano在完成了自己的历史使命后选择了停止更新，以这样的方式了退出了深度学习的舞台，而 TensorFlow，Torch，Pytorch 等工具和周边也发展迅猛。因为一次偶然事件，我又一次为老机器重装了系统环境，并且选则了最新的cuda9, cudnn7.0等基础工具版本: 深度学习服务器环境配置: Ubuntu17.04+Nvidia GTX 1080+CUDA 9.0+cuDNN 7.0+TensorFlow 1.3。不过回过头来，发现这种源代码方式编译 TensorFlow GPU 版本的方式在国内的网络环境下并不方便，而我更喜欢 CUDA8 + cuDNN6 + Tensorflow + Pytorch + Torch 的安装方案，简明扼要并且比较方便，于是在新的深度学习主机里我分别在Ubunu17.04和Ubuntu16.04的系统环境下配置了这样的深度学习服务器环境，下面就是相关的安装记录，希望这能成为一份简单的深度学习服务器环境配置指南。

1. 安装Ubuntu系统: Ubuntu16.04 或者 Ubuntu17.04

从Ubuntu官方直接下载Ubuntu镜像(Ubuntu16.04或者Ubuntu17.04，采用的是desktop amd64版本)，用U盘和Ubuntu镜像制作安装盘。在MAC下制作 Ubuntu USB 安装盘的方法可参考: 在MAC下使用ISO制作Linux的安装USB盘，之后通过Bios引导U盘启动安装Ubuntu系统。如果安装的时候出现类似黑屏或者类似 "nouveau ... fifo ..."之类的报错信息，重启电脑，进入安装界面时候长按e，进入图形界面，按F6，选择 nomodeset 或者手动添加，进行Ubuntu系统的安装。参考《深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0》。

2. Source源和Pip源设置：

系统安装完毕后建议设置一下source源和pip源，这样可以加速安装相关的工具包。

cd /etc/apt/

sudo cp sources.list sources.list.bak

sudo vi sources.list

对于Ubuntu16.04，我用的是阿里云的源，把下面的这些源添加到source.list文件头部：

deb-src http://archive.ubuntu.com/ubuntu xenial main restricted #Added by software-properties

deb http://mirrors.aliyun.com/ubuntu/ xenial main restricted

deb-src http://mirrors.aliyun.com/ubuntu/ xenial main restricted multiverse universe #Added by software-properties

deb http://mirrors.aliyun.com/ubuntu/ xenial-updates main restricted

deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates main restricted multiverse universe #Added by software-properties

deb http://mirrors.aliyun.com/ubuntu/ xenial universe

deb http://mirrors.aliyun.com/ubuntu/ xenial-updates universe

deb http://mirrors.aliyun.com/ubuntu/ xenial multiverse

deb http://mirrors.aliyun.com/ubuntu/ xenial-updates multiverse

deb http://mirrors.aliyun.com/ubuntu/ xenial-backports main restricted universe multiverse

deb-src http://mirrors.aliyun.com/ubuntu/ xenial-backports main restricted universe multiverse #Added by software-properties

deb http://archive.canonical.com/ubuntu xenial partner

deb-src http://archive.canonical.com/ubuntu xenial partner

deb http://mirrors.aliyun.com/ubuntu/ xenial-security main restricted

deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security main restricted multiverse universe #Added by software-properties

deb http://mirrors.aliyun.com/ubuntu/ xenial-security universe

deb http://mirrors.aliyun.com/ubuntu/ xenial-security multiverse

对于Ubuntu17.04，我使用的是网易的源：

deb http://mirrors.163.com/ubuntu/ zesty main restricted universe multiverse

deb http://mirrors.163.com/ubuntu/ zesty-security main restricted universe multiverse

deb http://mirrors.163.com/ubuntu/ zesty-updates main restricted universe multiverse

deb http://mirrors.163.com/ubuntu/ zesty-proposed main restricted universe multiverse

deb http://mirrors.163.com/ubuntu/ zesty-backports main restricted universe multiverse

deb-src http://mirrors.163.com/ubuntu/ zesty main restricted universe multiverse

deb-src http://mirrors.163.com/ubuntu/ zesty-security main restricted universe multiverse

deb-src http://mirrors.163.com/ubuntu/ zesty-updates main restricted universe multiverse

deb-src http://mirrors.163.com/ubuntu/ zesty-proposed main restricted universe multiverse

deb-src http://mirrors.163.com/ubuntu/ zesty-backports main restricted universe multiverse

最后更新一下：

sudo apt-get update

sudo apt-get upgrade

另外一个事情是将pip源指向阿里云的源镜像：http://mirrors.aliyun.com/help/pypi，具体添加一个 ~/.config/pip/pip.conf 文件，设置为：

[global]

trusted-host = mirrors.aliyun.com

index-url = http://mirrors.aliyun.com/pypi/simple

或者清华的pip源，刚好安装的那两天清华的pip源抽风，所以就换阿里云的了。

3. 安装1080TI显卡驱动:

sudo apt-get purge nvidia*

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

sudo apt-get update && sudo apt-get install nvidia-384 nvidia-settings

安装完毕后重启机器，运行 nvidia-smi，看看生效的显卡驱动：

4. 安装CUDA:

因为Tensorflow和Pytorch目前官方提供的PIP版本只支持CUDA8, 所以我选择了安装CUDA8.0。不过目前英文达官方网站的 CUDA-TOOLKIT页面默认提供的是CUDA9.0的下载，所以需要在英文达官方提供的另一个 CUDA Toolkit Archive 页面选择CUDA8，这个页面包含了CUDA所有的历史版本和当前的CUDA9.0版本。点击 CUDA Toolkit 8.0 GA2 (Feb 2017) 这个页面，选择"cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb" 和 "cuBLAS Patch Update to CUDA 8":

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

sudo apt-get update

sudo apt-get install cuda

如果之前没有安装上述"cuBLAS Patch Update to CUDA 8"，可以用如下方式安装更新：

sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-cublas-performance-update_8.0.61-1_amd64.deb

sudo apt-get update

sudo apt-get upgrade cuda

在 ~/.bashrc 中设置环境变量：

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}

export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

export CUDA_HOME=/usr/local/cuda

运行 source ~/.bashrc 使其生效

4. 安装cuDNN:

cuDNN7.0 虽然出来了，但是 CUDA8 的最佳拍档依然是cuDNN6.0，在NIVIDA开发者官网上，找到cudnn的下载页面: https://developer.nvidia.com/rdp/cudnn-download ，选择"Download cuDNN v6.0 (April 27, 2017), for CUDA 8.0" 中的 "cuDNN v6.0 Library for Linux":

下载后安装非常简单，就是解压然后拷贝到相应的系统CUDA路径下，注意最后一行拷贝时 "-d"不能少， 否则会提示.so不是symbol link:

tar -zxvf cudnn-8.0-linux-x64-v6.0.tgz

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/

sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ -d

以上是安装均在Ubunt16.04和Ubuntu17.04环境下测试通过，最后鉴于最近一些相关文章评论有同学留言无法从官方下载CUDA和cuDNN，亲测可能与国内环境有关，我将cuda8.0, cuda9.0, cudnn6.0, cudnn7.0的相关工具包上传到了百度网盘，提供两个下载地址:

CUDA8.0 & CUDA9.0下载地址：链接: https://pan.baidu.com/s/1gfaS4lt 密码 ddji ，包括：

1) CUDA8.0 for Ubuntu16.04: cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb

2) CUDA8.0 for Ubuntu16.04 更新: cuda-repo-ubuntu1604-8-0-local-cublas-performance-update_8.0.61-1_amd64

3) CUDA9.0 for Ubuntu16.04: cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64.deb

4) CUDA9.0 for Ubuntu17.04: cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64

cuDNN6.0 & cuDNN7.0下载地址：链接: https://pan.baidu.com/s/1dIwHgOHah3LAbhoebfBSRw 提取码: yfy9

1) cudnn6.0 for CUDA8: cudnn-8.0-linux-x64-v6.0.tgz

2) cudnn7.0 for CUDA8: cudnn-8.0-linux-x64-v7.tgz

3) cudnn7.0 for CUDA9: cudnn-9.0-linux-x64-v7.tgz