显卡---显卡驱动---CUDA---Cudnn

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
1

查看，适合硬件的驱动版本。

sudo apt install xxx
1

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
1
2
3
4
5

  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}}
1

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
1
2
3
4
5

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。