这篇文章主要介绍了Ubuntu怎么安装和卸载CUDA和CUDNN的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Ubuntu怎么安装和卸载CUDA和CUDNN文章都会有所收获，下面我们一起来看看吧。
安装显卡驱动
禁用nouveau驱动
sudo vim /etc/modprobe.d/blacklist.conf
在文本最后添加：
blacklist nouveau options nouveau modeset=0
然后执行：
sudo update-initramfs -u
重启后，执行以下命令，如果没有屏幕输出，说明禁用nouveau成功：
lsmod | grep nouveau
下载驱动
根据自己显卡的情况下载对应版本的显卡驱动，比如笔者的显卡是rtx2070：
下载完成之后会得到一个安装包，不同版本文件名可能不一样：
nvidia-linux-x86_64-410.93.run
卸载旧驱动
以下操作都需要在命令界面操作，执行以下快捷键进入命令界面，并登录：
ctrl-alt+f1
执行以下命令禁用x-window服务，否则无法安装显卡驱动：
sudo service lightdm stop
执行以下三条命令卸载原有显卡驱动：
sudo apt-get remove --purge nvidia* sudo chmod +x nvidia-linux-x86_64-410.93.run sudo ./nvidia-linux-x86_64-410.93.run --uninstall
安装新驱动
直接执行驱动文件即可安装新驱动，一直默认即可：
sudo ./nvidia-linux-x86_64-410.93.run
执行以下命令启动x-window服务
sudo service lightdm start
最后执行重启命令，重启系统即可：
reboot
注意： 如果系统重启之后出现重复登录的情况，多数情况下都是安装了错误版本的显卡驱动。需要下载对应本身机器安装的显卡版本。
卸载cuda
为什么一开始我就要卸载cuda呢，这是因为笔者是换了显卡rtx2070，原本就安装了cuda 8.0 和 cudnn 7.0.5不能够正常使用，笔者需要安装cuda 10.0 和 cudnn 7.4.2，所以要先卸载原来的cuda。注意以下的命令都是在root用户下操作的。
卸载cuda很简单，一条命令就可以了，主要执行的是cuda自带的卸载脚本，读者要根据自己的cuda版本找到卸载脚本：
sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl
卸载之后，还有一些残留的文件夹，之前安装的是cuda 8.0。可以一并删除：
sudo rm -rf /usr/local/cuda-8.0/
这样就算卸载完了cuda。
安装cuda
安装的cuda和cudnn版本：
cuda 10.0
cudnn 7.4.2
接下来的安装步骤都是在root用户下操作的。
下载和安装cuda
我们可以在官网：cuda10下载页面，
下载符合自己系统版本的cuda。页面如下：
下载完成之后，给文件赋予执行权限：
chmod +x cuda_10.0.130_410.48_linux.run
执行安装包，开始安装：
./cuda_10.0.130_410.48_linux.run
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。然后进行配置，我这里说明一下：
（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: n install the cuda 10.0 toolkit?（是否安装cuda 10 ，这里必须要安装） (y)es/(n)o/(q)uit: y enter 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: y install the cuda 10.0 samples?（不用安装测试，本身就有了） (y)es/(n)o/(q)uit: n installing the cuda toolkit in /usr/local/cuda-10.0 ...（开始安装）
安装完成之后，可以配置他们的环境变量，在
vim ~/.bashrc的最后加上以下配置信息：
export cuda_home=/usr/local/cuda-10.0
export ld_library_path=${cuda_home}/lib64
export path=${cuda_home}/bin:${path}最后使用命令
source ~/.bashrc使它生效。
可以使用命令
nvcc -v查看安装的版本信息：
test@test:~$ nvcc -v 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
测试安装是否成功
执行以下几条命令：
cd /usr/local/cuda-10.0/samples/1_utilities/devicequery make ./devicequery
正常情况下输出：
./devicequery starting... cuda device query (runtime api) version (cudart static linking) detected 1 cuda capable device(s) device 0: "geforce rtx 2070" cuda driver version / runtime version 10.0 / 10.0 cuda capability major/minor version number: 7.5 total amount of global memory: 7950 mbytes (8335982592 bytes) (36) multiprocessors, ( 64) cuda cores/mp: 2304 cuda cores gpu max clock rate: 1620 mhz (1.62 ghz) memory clock rate: 7001 mhz memory bus width: 256-bit l2 cache size: 4194304 bytes maximum texture dimension size (x,y,z) 1d=(131072), 2d=(131072, 65536), 3d=(16384, 16384, 16384) maximum layered 1d texture size, (num) layers 1d=(32768), 2048 layers maximum layered 2d texture size, (num) layers 2d=(32768, 32768), 2048 layers total amount of constant memory: 65536 bytes total amount of shared memory per block: 49152 bytes total number of registers available per block: 65536 warp size: 32 maximum number of threads per multiprocessor: 1024 maximum number of threads per block: 1024 max dimension size of a thread block (x,y,z): (1024, 1024, 64) max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535) maximum memory pitch: 2147483647 bytes texture alignment: 512 bytes concurrent copy and kernel execution: yes with 3 copy engine(s) run time limit on kernels: yes integrated gpu sharing host memory: no support host page-locked memory mapping: yes alignment requirement for surfaces: yes device has ecc support: disabled device supports unified addressing (uva): yes device supports compute preemption: yes supports cooperative kernel launch: yes supports multidevice co-op kernel launch: yes device pci domain id / bus id / location id: 0 / 1 / 0 compute mode: < default (multiple host threads can use ::cudasetdevice() with device simultaneously) > devicequery, cuda driver = cudart, cuda driver version = 10.0, cuda runtime version = 10.0, numdevs = 1 result = pass
下载和安装cudnn
进入到cudnn的下载官网：，然点击download开始选择下载版本，当然在下载之前还有登录，选择版本界面如下，我们选择
cudnn library for linux：
下载之后是一个压缩包，如下：
cudnn-10.0-linux-x64-v7.4.2.24.tgz
然后对它进行解压，命令如下：
tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz
解压之后可以得到以下文件：
cuda/include/cudnn.h cuda/nvidia_sla_cudnn_support.txt cuda/lib64/libcudnn.so cuda/lib64/libcudnn.so.7 cuda/lib64/libcudnn.so.7.4.2 cuda/lib64/libcudnn_static.a
使用以下两条命令复制这些文件到cuda目录下：
cp cuda/lib64/* /usr/local/cuda-10.0/lib64/ cp cuda/include/* /usr/local/cuda-10.0/include/
拷贝完成之后，可以使用以下命令查看cudnn的版本信息：
cat /usr/local/cuda/include/cudnn.h | grep cudnn_major -a 2
测试安装结果
到这里就已经完成了cuda 10 和 cudnn 7.4.2 的安装。可以安装对应的pytorch的gpu版本测试是否可以正常使用了。安装如下：
pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.0-cp35-cp35m-linux_x86_64.whl pip3 install torchvision
然后使用以下的程序测试安装情况：
import torch
import torch.nn as nn
import torch.nn.functional as f
import torch.optim as optim
import torch.backends.cudnn as cudnn
from torchvision import datasets, transforms
class net(nn.module):
def __init__(self):
super(net, self).__init__()
self.conv1 = nn.conv2d(1, 10, kernel_size=5)
self.conv2 = nn.conv2d(10, 20, kernel_size=5)
self.conv2_drop = nn.dropout2d()
self.fc1 = nn.linear(320, 50)
self.fc2 = nn.linear(50, 10)
def forward(self, x):
x = f.relu(f.max_pool2d(self.conv1(x), 2))
x = f.relu(f.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
x = x.view(-1, 320)
x = f.relu(self.fc1(x))
x = f.dropout(x, training=self.training)
x = self.fc2(x)
return f.log_softmax(x, dim=1)
def train(model, device, train_loader, optimizer, epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = f.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % 10 == 0:
print('train epoch: {} [{}/{} ({:.0f}%)] loss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
def main():
cudnn.benchmark = true
torch.manual_seed(1)
device = torch.device("cuda")
kwargs = {'num_workers': 1, 'pin_memory': true}
train_loader = torch.utils.data.dataloader(
datasets.mnist('../data', train=true, download=true,
transform=transforms.compose([
transforms.totensor(),
transforms.normalize((0.1307,), (0.3081,))
])),
batch_size=64, shuffle=true, **kwargs)
model = net().to(device)
optimizer = optim.sgd(model.parameters(), lr=0.01, momentum=0.5)
for epoch in range(1, 11):
train(model, device, train_loader, optimizer, epoch)
if __name__ == '__main__':
main()如果正常输出一下以下信息，证明已经安装成了：
train epoch: 1 [0/60000 (0%)] loss: 2.365850
train epoch: 1 [640/60000 (1%)] loss: 2.305295
train epoch: 1 [1280/60000 (2%)] loss: 2.301407
train epoch: 1 [1920/60000 (3%)] loss: 2.316538
train epoch: 1 [2560/60000 (4%)] loss: 2.255809
train epoch: 1 [3200/60000 (5%)] loss: 2.224511
train epoch: 1 [3840/60000 (6%)] loss: 2.216569
train epoch: 1 [4480/60000 (7%)] loss: 2.181396