深度学习环境搭建过程中，初期阶段，相信大家都会遇到，动不动 TensorFlow 或者 Pytorch 库与Cuda、或者Cudnn 版本不匹配的问题；
因此很多时候，在一台服务器中安装多个Cuda逐步成为了各位搬砖大佬们的必然选择
本文为大家揭秘一台全新服务器、我会怎样安排 Cuda、使得我的学习生产更为高效
📔 服务器是团队或者项目组的，因此cuda还是自己的好用！！！
第一部分为大家展示：Ubuntu系统 Cuda10.0 安装过程
- 安装系统 ：Ubuntu 18.04.5
🟧 1 cuda官网下载地址
cat /proc/version （Linux查看当前操作系统版本信息）
🟨 2 安装
# 先对安装包《cuda_10.0.130_410.48_linux.run》的属性进行修改为可执行；
chmod 755 cuda_10.0.130_410.48_linux.run
# 不要使用 sudo 进行安装
sh cuda_10.0.130_410.48_linux.run
过程如下，按空格读完协议，进行如下图的操作：
备注： 这里没有安装新的驱动，是因为：
- 1： root 用户 安装的 驱动 能够 支持当前 CUDA10.0的运行；
- 2： 驱动的更新安装，需要 root 权限 （也就是说 一台 Linux 服务器 只能 安装 一个英伟达内核驱动），团队的服务器，我没有权限去更新服务器的显卡驱动；
- 3：如果服务器本身 驱动版本 高 能够 同时 支持 CUDA10 和 CUDA9 ，那么我们这里安装的 CUDA10.0, 后面运行程序便是可行的；
🟦 3:环境变量的配置
cd /home/zhijian
vim .bashrc
# 在最下方添加刚刚安装cuda的路径：
---
export PATH="/home/zhijian/usr/local/cuda10/bin:$PATH"
export LD_LIBRARY_PATH="/home/zhijian/usr/local/cuda10/lib64:$LD_LIBRARY_PATH"
---
# 保存之后，使配置生效：
source .bashrc
- 命令行输入
nvcc -V查看cuda版本，效果如下：
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
说明 cuda10.0此次安装OK，已经不再使用服务器公共的cuda了
📕 配置自己的cudnn, 这里配置的cudnn版本为：7.6.0
🔴 1 官网下载
这个下载需要邮箱注册和登录，容易忘记密码，就很烦有没有。。。
🔵 2 解压 cudnn
从Nvidia官网上下载下来的cudnn for linux的文件格式是.solitairetheme8，想要解压的话需要先转成tgz格式再解压(这个操作我也被惊到了)：
cp cudnn-10.0-linux-x64-v7.6.0.64.solitairetheme8 cudnn-10.0-linux-x64-v7.6.0.64.tgz
tar -zxvf cudnn-10.0-linux-x64-v7.6.0.64.tgz
🟣 3 安装配置【替换即可】
cp cuda/include/cudnn.h /home/zhijian/usr/local/cuda10/include/
cp cuda/lib64/libcudnn.s* /home/zhijian/usr/local/cuda10/lib64/
chmod 755 /home/zhijian/usr/local/cuda10/include/cudnn.h
# 查看cudnn版本
cat /home/zhijian/usr/local/cuda10/include/cudnn.h | grep CUDNN_MAJOR -A 2
- 我得到的正确输出如下：
📙 友情提示
我上面安装的 cuda10.0 和 cudnn 7.6.0 是因为代码训练TensorFlow-GPU 版本为2.0，各位需要根据自己的需求情况来安装相应的 cuda 和 cudnn版本，版本不匹配有时候会导致很多麻烦呐...
TensorFlow2.0-GPU 训练走起...
---核心干货知识点上线---
📙 一台 Linux 服务器， cuda9 和 cuda 10 可以共存吗？
这样的情况是可以共存的：
比如：已经安装了高版本的 Cuda 和 对应高版本内核， 而 这个驱动 同时也支持 低版本的CUDA运行，这种情况通过 修改 配置 文件的方式 ，可以 自由进行 Cuda 的切换。
但是如果系统先安装的 cuda9 和对应驱动， 然后你想要给当前 非 Root 用户安装的 cuda10 ，因为 没有 root权限， 无法 更新 驱动 ，此时 便不行。
📙 因此，给我一台新的服务器，我会怎么安排 Cuda?
- Root 权限 用户，给 服务器安装尽可能 高版本的 驱动 内核，例如 Cuda 11
- 普通用户，根据自己的项目需求，可以安装自己的 Cuda
系统默认的Cuda 安装位置 和 配置如下：
export PATH=/usr/local/cuda-10.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda
普通用户，配置自己的Cuda 安装目录，可以配置多个，但是 同一时刻，只能使用其中一个版本
我这里是 cuda10，根据自己的需求，可以配置为 cuda9 cuda8 对应的安装目录
- 比如说我只配置了一个 cuda , 那么我注释掉配置，便会使用 系统默认的Cuda；
#export PATH="/home/moli/usr/local/cuda10/bin:$PATH"
#export LD_LIBRARY_PATH="/home/moli/usr/local/cuda10/lib64:$LD_LIBRARY_PATH"
- 配置文件为，每个用户根目录下的 .bashrc 文件；
# 配置操作如下：
cd ~
vim .bashrc
# 使配置生效即可
source .bashrc
📙 平时如何进行 Cuda 的版本切换
- 当前而言，给自己用户安装一个 Cuda10.X 或者 Cuda11.X 已经基本够用
- 如果遇到不同的项目确实只能适配 不同版本的Cuda ，这时，就需要自己安装多个 Cuda
- 需要掌握对 ~/.bashrc 进行 编辑，配置 不同版本 Cuda
- 如下所示，对于深度学习Python项目，每次切换版本，只需要打开自己当前需要的Cuda配置即可
- 如果是C++项目，则在 CMakeLists.txt 中进行 Cuda配置即可
# >>> 服务器 root 用户 安装的Cuda10.0
#export PATH=/usr/local/cuda-10.0/bin:$PATH
#export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH
#export CUDA_HOME=/usr/local/cuda
# >>> 我自己安装的Cuda 11 add by ml Cuda 11 path
export PATH=/home/ml/usr/mycuda/bin:$PATH
export LD_LIBRARY_PATH=/home/ml/usr/mycuda/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/home/ml/usr/mycuda
# 如果有必要，你还可以配置一个 Cuda9、Cuda8
...
博主简介：软件工程硕士、已毕业、总计 5w 读者 粉丝
- 🍊 计算机视觉：超分重建、图像修复、目标检测、风格迁移 等领域 稍有所学
- 🍊 AI 工程化：Ncnn、MNN、TensorRT 正在 学习
- 🍊 C++、Python、Java 略懂一二
取经路上，让墨理学AI 陪你畅享更多有趣AI
