大家好，这里是华科启明学院的ai_π团队的系列AI分享贴，大家之前都是在实验室做做科研，打打比赛，没有怎么写过博客和帖子，最多是一些比赛分享和论文心得，所以如果这次出现写的不好的地方，还请大家多多包涵。如果读者在帖中发现错误的地方，或者因为版本更新而需要修改的地方，还请各位dalao与我们联系，我们一定尽早修改。
作者：林德铝
校对：reroze
索引：环境配置，gpu
未经团队允许，请勿转载。（因为团队里的资料可能包涵一些不能转载的部分，还请大家理解）。
本来想从双系统的安装写起的，但是无奈，身边没有多余的u盘了，所以双系统的安装还是靠大家自己了，后续回到学校看情况可能会更新。电脑配置好一点的，为了方便后续的操作，最好安装双系统，即另外一个linux系统，新手推荐ubuntu。不建议使用虚拟机，有条件的可以租用服务器。不过目前比较强的游戏本就够用啦（本人是1060和8750h）。
一． 深度学习的显卡加速配置
(显卡驱动，CUDA,cuDNN)
后续的学习过程中，常常会遇到开启gpu加速的情况，由于大家大部分调试和小部分
的运行是在个人pc机上运行的，因此配置好gpu加速是非常重要的，所谓磨刀不误砍柴工，我们来一下具体的操作。（默认电脑环境是在ubuntu18.04）
gcc/g++准备
查看gcc/g++版本要求
对于CUDA10.0，安装的gcc/g++版本要求为
其他版本的请参考官方安装向导
安装指定版本gcc/g++
直接使用apt-get安装指定版本gcc和g++
sudo apt-get install gcc-x
sudo apt-get install g++-x
设置gcc和g++
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-x <优先级>
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-x <优先级>
<优先级> 是一个整数，在自动模式下，这个数字越高的选项，其优先级也就越高。
输入gcc -v和g++ -v看是否安装成功
安装显卡驱动
查看驱动版本要求
具体请看官方指导文档
准备工作
卸载原先的所有驱动
#for case1: original driver installed by apt-get:
sudo apt-get remove --purge nvidia*
#for case2: original driver installed by runfile:
sudo chmod +x *.run
sudo ./NVIDIA-Linux-x86_64-xxx.xx.run --uninstall
禁用nouveau
打开黑名单配置文件
sudo vim /etc/modprobe.d/blacklist.conf
在最后一行添加
blacklist nouveau
之后执行命令
sudo update-initramfs -u
#重启
reboot
#检查nouveau是否被禁用
lsmod | grep nouveau
#若没有输出则成功
下载
进入NVIDIA驱动下载官网查找并下载相应的显卡驱动.run文件
安装
按下Ctrl+Alt+(F1~F6中的任意一个)进入命令行界面
也可使用命令行临时关闭图形界面(具体命令可能随系统版本不同而不同)
sudo service lightdm stop
输入用户名和密码登录
进入.run文件的目录下并赋予执行权限
sudo chmod a+x *.run
运行.run文件进行安装(注意参数)
sudo ./*.run –no-opengl-files
参数说明
–no-opengl-files 只安装驱动文件，不安装OpenGL文件。这个参数最重要–no-x-check 安装驱动时不检查X服务–no-nouveau-check 安装驱动时不检查nouveau
后面两个参数可不加。
安装过程都默认yes
安装完成后reboot重启
验证
重启后在命令行输入nvidia-smi以验证安装成功
安装CUDA
下载
进入NVIDIA的CUDA下载官网下载相应版本的.run文件 (以CUDA10.0为例)
安装
下载完成后根据提示安装
sudo sh cuda_*.run
在安装过程中除了安装驱动选项选择no，其他选择yes或默认
环境变量配置
打开.bashrc文件
sudo vim ~/.bashrc
在文件结尾加上
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
使bashrc文件生效
source ~/.bashrc
验证
输入nvcc -V验证能否查看CUDA版本
进入Sample文件夹
输入make进行编译
编译完成后可以在Sample目录下找到bin/x86_64/linux/release/目录
进入该目录后运行deviceQuery程序
sudo ./deviceQuery
查看输出结果的最后一行
若为pass则CUDA安装成功
卸载
在/usr/local/cuda/bin目录下运行cuda自带的卸载工具uninstall_cuda_*.pl
sudo ./uninstall_cuda_*.pl
安装cuDNN
下载
进入NVIDIA的cuDNN下载官网下载对应CUDA版本的cuDNN
选择cuDNN Library for Linux下载
安装
参考cuDNN Installation Guide进行安装
#解压下载的.tgz文件
tar -xzvf cudnn-*.tgz
#将解压出的文件拷贝到CUDA安装目录
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
那么，至此显卡驱动和CUDA和cuDNN就配置完毕了，接下来介绍一下之后可能会用到的一些python库。
\1. numpy
\2. torch(pytorch)
\3. tensorflow
\4. tensorflow-gpu
\5. pandas
\6. matplotlib
深度学习的代码主要是由python语言编写，在这里使用anaconda或者pycharm都可以。Anaconda和pycharm的安装很简单，我们就不在此介绍了。那么到这里，大家的个人pc就完成了基本的配置，那我们的第一个帖子作为配置环境就到这里为止了，下一期将开始实际项目的效果测试或者一些基本模型的复现。大家有什么想听的也可以在评论区留言，我们会综合大家的意见更新后续的帖子。或者有什么想与团队交流和也可以通过邮箱与我们联系。
--------------------------------------------------------------------------------联系方式：hust_aipai@163.com
