准备工作
1.查看GPU是否支持CUDA
lspci | Grep -i nvidia
2.查看Linux版本
uname -m && cat /etc/*release
nvidia驱动
1. 先卸载原有N卡驱动
#for case1: original driver installed by apt-get:sudo apt-get remove –purge nvidia*#for case2: original driver installed by runfile:sudo chmod +x *.runsudo ./NVIDIA-Linux-x86_64-384.59.run –uninstall
2. 禁用nouveau驱动
sudo gedit /etc/modprobe.d/blacklist.conf
在文本最后添加：
blacklist nouveauoptions nouveau modeset=0
然后执行：
sudo upDate-initramfs -u
重启之后，可以查看nouveau有没有运行:
lsmod | grep nouveau # 没输出代表禁用生效
3.禁用X-Window服务
sudo service lightdm stop #这会关闭图形界面
按Ctrl-Alt+F1进入命令行界面，输入用户名和密码登录。
4.命令行安装驱动
驱动网址
#给驱动run文件赋予执行权限：sudo chmod +x NVIDIA-Linux-x86_64-384.59.run#后面的参数非常重要，不可省略：sudo ./NVIDIA-Linux-x86_64-384.59.run –no-opengl-files
5.Driver测试：
nvidia-smi #若列出GPU的信息列表，表示驱动安装成功nvidia-settings #若弹出设置对话框，亦表示驱动安装成功
1.下载对应系统的CUDA
网址选择runfile安装
2.安装
sudo sh cuda_
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。下面为安装选项：
（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: nInstall the CUDA 10.0 Toolkit?（是否安装CUDA 10 ，这里必须要安装）(y)es/(n)o/(q)uit: yEnter 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: yInstall the CUDA 10.0 Samples?（不用安装测试，本身就有了）(y)es/(n)o/(q)uit: nInstalling the CUDA Toolkit in /usr/local/cuda-10.0 …（开始安装）
3.配置环境变量
sudo gedit ~/.bashrc
末尾加入
export PATH=/usr/local/cuda-8.0/bin:$PATHexport LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
更新
source ~/.bashrc
4.验证安装
查看cuda版本
nvcc -VCUDA Sample测试：#编译并测试设备 deviceQuery：cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuerymake./deviceQuery#编译并测试带宽 bandwidthTest：cd ../bandwidthTestmake./bandwidthTest
如果这两个测试的最后结果都是Result = PASS，说明CUDA安装成功。
*5.CUDA卸载
在命令行中输入
sudo apt-get remove cudasudo apt-get autocleansudo apt-get remove cuda*
然后在目录切换到usr/local/下
cd /usr/local/sudo rm -r cuda-9.1
cuDNN安装
下载对应版本cuDNN
tar xvzf cudnn-9.2-linux-x64-v7.1sudo cp -P cuda/include/cudnn.h /usr/local/cuda/includesudo cp -P cuda/lib64/libcudnn* /usr/local/cuda/lib64sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*sudo ldconfig
总结
以上所述是小编给大家介绍的Ubuntu16.04安装nvidia驱动+CUDA+cuDNN的教程,大家如有疑问可以留言，或者联系站长。感谢亲们支持！！！如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
香港服务器首选树叶云，2H2G首月10元开通。树叶云（shuyeidc.com）提供简单好用，价格厚道的香港/美国云 服务器 和独立服务器。IDC+ISP+ICP资质。ARIN和APNIC会员。成熟技术团队15年行业经验。
并行计算技术基础是学什么的
nVIDIA的CUDA是基于C语言的。 官网上有开发资料介绍。 由于并行运算是未来计算机研究的方向，且刚起步不久，急需人才。 仁兄若想能有所作为，一定要寄予关注。 我也是学计算机的，可惜开始不久，不能有所作为心有余力不足。 此外，openCL也是通用计算的代表API(不是GL），她在英伟达平台基于CUDA。 AMD也表示支持。 由于显卡的并行计算能力日渐重要。 在科研领域很受重用。 仁兄若有精力，绝对要把握机会。
GeForce Go 8400 支持NVIDIA PhysX物理加速驱动吗？
1:GeForce 8400支持NVIDIA PhysX (GeForce8系列以及更高型号的GPU均支持PhysX)2:NVIDIA CUDA支持显卡列表详见官方:下载安装详见官方:7 X64 支持NVIDIA PhysX
如何配置一部4块Titan X GPU的深度学习机器
展开全部支持Intel 59xx和6字头的i7处理器。 不喜欢这块板子的也可以试试rampage v edition 10，或者rampage v extreme。 可能也有便宜的板子支持4 GPU，不过你要特别关注PCIe 3.0插槽的数量和布局：一块显卡通常会占据2个口的位置。 CPU: 通常来说CPU在多核GPU的深度学习系统里还是比较重要的，因为要并行处理参数。 我这次选用了网友推荐的i7 5930K，一共6核12线程，性价比还算凑合，跑起来也没什么太大问题。 内存：这个基本要看CPU能支持多少了，5930K貌似只可以支持64G，我就卖了两条Kington valueRAM DDR4 32G。 当然省钱的做法是买8条8G的用。 存储：SSD还是比HDD快了不少，所以在这种情况下，我选择了2块Samsung 850 EVO 1TB的SSD内存。 如果数据集太大，也可以考虑搞个4TB的HDD来存一下（10TB和8TB的还是有点贵）。 CPU冷却：我选了Corsair H60水冷。 注意装的时候有两套4个螺丝钉，要选短的螺钉，短的装在板子上，另一端长的接在风冷上。 H60自带涂层，不过要注意水冷必须安装特别紧，一点点空气缝隙也不能留，不然估计深度学习压力测试你的CPU会到80度。 不放心的可以上H100i。 电源：电源还是很重要的基本2个选择 Corsair 1500W或者EVGA 1600W，因为一个GPU可能到250W。 当然实际运行的时候一般到不了那么高。 我之前选了一个 Corsair 1200W，居然self-test风扇不转，只要连主板就会reboot loop，明显是次品，赶紧趁机RMA换了1600W。 机箱：不少人推荐Corsair Carbide Air 540，这是一个中塔机箱。 我最后选择了一个全塔机箱Corsair 900D，通风好，但是特别重（配上所有东西超过50多斤重。 。 。 保险箱的节奏）。 大机箱可以放很多硬盘，如果你需要的话。 最后用USB 3.1启动机器，几分钟就装好了Ubuntu 16.04。 注意最好UEFI BIOS配置取消Secure Boot功能，不然你装Titan X驱动和CUDA 8.0 RC会有问题。 装TensorFlow也没什么问题，就是要是找不到CUDA库的错误，可以用sudo ldconfig /usr/local/cuda/lib64和LD_LIBRARY_PATH / LIBRARY_PATH来解决。 我测试了4块Titan X Pascal跑TF的CIFAR多GPU训练，训练几天时间一切都很正常，GPU的温度最高70度（设计80 C温度范围内，其他几块会低），GPU风扇也不会到50%速度。 目前我也在测Supermicro的superserver多显卡配置，可能成本会更低。
发表评论