1. 背景
最近在follow百度的
CAE
这篇论文时,源码需要的环境为:
python 3.7 cuda: 11.0 cudnn: 8.0.4 gcc 8.2
该版本要求与我目前使用的服务器上的CUDA版本不相符合。因此搜索了一篇国外小哥的
文章
,讲述了如何在一台服务器上安装多个CUDA和Cudnn环境。
该文章不但对安装多版本的CUDA和cudnn有帮助,而且也一定程度上帮助自己理解了显卡,显卡驱动,CUDA, Cudnn之间的关系。
2. 显卡,显卡驱动,CUDA,Cudnn四者之间的关系
2.1 显卡
当面对一台陌生的机器,可以通过lshw指令来获取该机器上是否有显卡,以及显卡的型号是什么?
lshw指令会输出所有和hard ware相关的信息,这里增加了参数-C display,来过滤出和显卡相关的信息。可以看到,我目前所使用的这台机器是1080TI的显卡。
2.2 显卡驱动
显卡驱动可以理解为硬件和软件之间的中间层,实现最基本的显卡功能。可以通过nvidia-smi指令来查看显卡驱动是否安装,如果驱动安装的话,会显示类似于如下的信息。
这里要注意的一点是nvidia-smi右上角显示的CUDA Version版本并不是表示当前机器上(已经)安装的CUDA版本是11.4,而是指当前显卡驱动支持的最高CUDA版本为11.4。
2.3 CUDA&&Cudnn
CUDA是一个并行计算平台。而Cudnn(Cuda deep neural network)则是在CUDA的基础上,构建的一个专门的针对深度学习网络的库。
这里可以查看两个点:第一点是第一版cudnn的发布日期,如下图所示,v1版本的时间没有给出,但推算大概是在2014年左右,相当于2012年alexnet出来之后的两年左右。
另外一点是可以看一下cudnn库中的头文件内容,会看到我们熟悉的神经网络层的名称。
2.4 小结
3. 如何安装显卡,显卡驱动,CUDA, Cudnn
这里仅记录一些关键词,具体可以参考国外小哥的
安装过程
。
3.1 安装显卡驱动
sudo ubuntu-drivers devices
查看,适合硬件的驱动版本。
sudo apt install xxx
安装驱动driver
3.2 安装cuda&&cudnn
直接去nvidia官网,会提供安装方式和指令。这里要说明的是可以根据nvidia-smi上显示的cuda version来确定自己能安装version的范围。安装cudnn版本的选择则是根据cuda版本来确定。
3.3 设置环境变量
sudo gedit ~./bashrc
export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH="/usr/local/cuda/lib64:/usr/local/cuda-10.1/lib64:/usr/local/cuda-11/lib64:/usr/local/cuda-11.1/lib64:/usr/local/cuda-11.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}"
#make sure you add your cuda-X.x lib64 paths
最后要将所有的安装路径都放到LD_LIBRARY_PATH中,就可以依次搜索不同的cuda版本。
${PATH:+:${PATH}}
这里的意思是${PATH}变量可能在之前还未定义,因此要这样进行保护。等价于:
if [ -z "$PATH" ]; then
PATH=/usr/local/cuda/bin
else
PATH=/usr/local/cuda/bin:$PATH
fi
4. 总结
本文是以日常工作中“需要安装多个CUDA、cudnn版本”实际需求为契机,梳理了一些相关概念、关系和操作流程。