Instruction

手把手帶你學 Tensorflow、Pytorch、CUDA、NVIDIA-SMI、cuDNN、Ubuntu、NGC、Docker、NVIDIA-Docker 的安裝與設定

各家 (twcc、GCP、Azure、AWS) 雲端計價
[轉載] 雲端平台怎麼選？比較三大雲端供應商 GCP 與 AWS 與 Azure

https://github.com/Deep-Learning-101
https://huggingface.co/DeepLearning101

2016/06 自己添購(開箱) GIGABYTE GTX 960 4G * 2

2017/01 自己添購(開箱) 技嘉GTX1080 XTREME GAMING 8G

2018/05 公司投資添購(開箱) NVIDIA TITAN V + NVIDIA TITAN XP

2023/08 公司投資添購新設備 6000 Ada 48 GB * 2 和 A 100 80GB * 4

紅色字體為 2023/08/11 更新

[ 圖文並茂版 ]

OS：建議 ubuntu 16.04 LTS (支援至2021年04月)，我個人之前機器都是14.04 LTS(支援至 2019年04月)，後來都是用 docker，就沒再去做升級這樣；這次為了寫這篇則是裝了 16.04 LTS 這樣。。。2023/08 已經改使用 Ubuntu 22.04 LTS，但 USB Wifi 編譯一直失敗，又換回 Ubuntu 20.04 LTS

GPU 規格及型號 (驅動程式)：規格及型號 (驅動程式)：有2個網址需要注意；很多時候因為驅動版本就會跟下方的cuda還有cudnn再互相衝到，需要特別注意 ! 以我自己為例，是使用 440.82。。。2023/08是用535.104.05

首先是 https://en.wikipedia.org/wiki/CUDA#GPUs_supported 這個 wiki，裡面清楚寫了各種 GPU 的Micro-architecture，基本上建議如果真的要跑深度學習，請務必以 Pascal 為基本款出發 ! 記得在安裝前先切到 tty2 然後 sudo service lightdm stop 關閉服務。接著安裝相依套件：

sudo apt install dkms build-essential linux-headers-generic
然後在本機端前面按 ctrl + alt + F1，切換到 tty 2 記議直接在本機端前做安裝驅動這件事；不然這裡可能會碰上一些奇怪的錯誤。接著建議都先把安裝OS自帶的移除：sudo apt-get remove --purge nvidia* 或 dpkg -l 'nvidia*' 然後再 dpkg --remove nvidia-(XXX)。；或者知道預安裝的版本的就像下面這樣：

sudo apt-get remove --purge nvidia-driver-535

sudo apt-get autoremove

確認了 GPU 型號後，就到這個網址挑選驅動程式下載吧，強烈建議看完全部想清楚再來挑選版本：https://www.nvidia.com.tw/Download/index.aspx?lang=tw

比如說我現在正要裝的是這個就這樣下載：wget http://tw.download.nvidia.com/XFree86/Linux-x86_64/440.82/NVIDIA-Linux-x86_64-440.82.run下載好後記得 chmod a+x 補上執行權限，接著 ./NVIDIA-Linux-x86_64-440.82.run -no-x-check -no-nouveau-check -no-opengl-files -no-x-check

wget https://tw.download.nvidia.com/XFree86/Linux-x86_64/535.104.05/NVIDIA-Linux-x86_64-535.104.05.run
sudo ./NVIDIA-Linux-x86_64-535.104.05.run

正常來說，都是照上面這樣安裝成功的，疏不知，就是有那個 BUT ... 會裝不起來

(1.) NVIDIA-SMI has failed because it couldn‘t communicate with the NVIDIA driver.

https://blog.csdn.net/wjinjie/article/details/108997692

https://andy51002000.blogspot.com/2019/01/nvidia-smi-has-failed-because-it.html

https://blog.csdn.net/wjinjie/article/details/108997692

(2.) 【nvidia-smi】Failed to initialize NVML: Driver/library version mismatch

https://www.cnblogs.com/duby0/p/17060960.html

https://zhuanlan.zhihu.com/p/94378201

(3.) 安裝NVIDIA驅動出現: An NVIDIA kernel module 'nvidia-drm'
https://zhuanlan.zhihu.com/p/135875408
(4.) [Linux] Ubuntu 安裝、移除 NVIDIA 顯示卡驅動程式（Driver）教學
https://blog.csdn.net/ksws0292756/article/details/79160742
https://zhuanlan.zhihu.com/p/31575356
最後這次我是採取用最後這次我是採取用 apt-get 安裝的 apt-get 安裝的

# sudo add-apt-repository ppa:graphics-drivers

# sudo apt-get update

# sudo apt-cache search nvidia-driver-*

# sudo apt-get install nvidia-driver-535
# sudo reboot

CUDA：這個就非常重要了，因為跟上下兩個提到的都會互相依存，比如說 CUDA 10 就需要TensorFlow >= 1.13.0，然後驅動版本是自帶410.48 這樣就會把你第二步的440.82給蓋掉，這些都可以透過這個網站 https://developer.nvidia.com/cuda-toolkit-archive 來找到；另外附上網址與截圖，希望可以注意到裡面 cuda 版本跟驅動程式版本也是會有影響的，當下載好了以後，都是直接執行然後安裝的，要注意的是，一定要注意好 cuda 版本跟對應的驅動版本。

wget https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda_12.2.2_535.104.05_linux.run
sh cuda_10.0.130_410.48_linux

wget https://developer.download.nvidia.com/compute/cuda/12.2.1/local_installers/cuda_12.2.2_535.104.05_linux.run
sudo sh cuda_12.2.2_535.104.05_linux.run
sudo apt install nvidia-cuda-toolkit

/Developer/NVIDIA/CUDA-#.#
Do you accept the previously read EULA?
accept/decline/quit: accept
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48? 選擇不安裝 cuda 自帶的 Driver
(y)es/(n)o/(q)uit: n
Install the CUDA 10.0 Toolkit? 安裝 cuda
(y)es/(n)o/(q)uit: y
Enter Toolkit Location
[ default is /usr/local/cuda-10.0 ]: 使用預設的 cuda 安裝路徑
Do you want to install a symbolic link at /usr/local/cuda?
(y)es/(n)o/(q)uit: y

Install the CUDA 10.0 Samples? 不安裝範例
(y)es/(n)o/(q)uit: n
Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...
Driver: Not Selected
Toolkit: Installed in /usr/local/cuda-10.0
Samples: Not Selected

cuDNN：這個也是會跟上方有互相搭配，全名是 NVIDIA CUDA® Deep Neural Network library，請先到後面網址註冊個帳號，https://developer.nvidia.com/rdp/form/cudnn-download-survey；後面 nVIDIA GPU Cloud 也會需要用到 ... 當然這個也需要注意一下跟 cuda 版本的搭配；下載好了之後，就是把相關的檔案復制到 cuda 資料夾的對應目錄裡；這邊比較麻煩的就是沒辦法直接 wget 在 ubuntu 上直接用，得想辦法自己先下載了再上傳這樣 ! 配合前面cuda跟driver，我用的是 cuDNN v7.6.4 (September 27, 2019), for CUDA 10.0

cd /usr/local/cuda-12.2/
sudo cp ~/cudnn-linux-x86_64-8.9.4.25_cuda12-archive/include/* /usr/local/cuda-12.2/include/
sudo cp ~/cudnn-linux-x86_64-8.9.4.25_cuda12-archive/lib/* /usr/local/cuda-12.2/lib64/

Docker / nVidia GPU Cloud / nVIDIA Docker：接著是要安裝 docker，這兩個指令就可以搞定；還有可以修改一下儲放位置

sudo apt-get install curl

curl -sSL https://get.docker.com | sudo sh

ps faux | grep -i docker

sudo docker info
sudo systemctl stop docker

sudo rsync -avh /var/lib/docker/ /path/to/your/docker/

sudo vi /etc/docker/daemon.json
"data-root": "/path/to/your/docker", #加上這行

sudo systemctl daemon-reload

sudo systemctl start docker

sudo docker info

ps faux | grep -i docker

接著是要安裝 nvidia-docker2 (https://github.com/NVIDIA/nvidia-docker)

curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)

curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

sudo apt-get update

sudo apt-get install nvidia-docker2

安裝 nvidia-container-runtime ：https://github.com/nvidia/nvidia-container-runtime#docker-engine-setup

apt-get install nvidia-container-runtime

service docker restart

到這邊就可以去NGC找個 image 進 docker 操作了，不是很建議直接在本機端做開發，因為很容易環境搞爛掉 XD

python / anaconda：

這個就是需要到anaconda官網下載 https://www.anaconda.com/distribution/

wget https://repo.anaconda.com/archive/Anaconda3-2023.07-2-Linux-x86_64.sh
chmod a+x Anaconda3-2023.07-2-Linux-x86_64.sh
./Anaconda3-2023.07-2-Linux-x86_64.sh

如果做好一台的環境後可以這樣做，來匯入匯出避免反覆設定相關套件
匯出：conda env export --name yourenv --file yourenv.yml
匯入：conda env create -f yourenv.yml
檢查：conda info --envs
列出虛擬環境：conda env list
複製虛擬環境：conda create -n myEnvNameDes --clone myEnvNameSou
刪除虛擬環境：conda env remove --name myEnvName
刪除虛擬環境的module：conda remove --name myEnvName pandas

當然可以直接用 docker 那更方便啦

sudo nvidia-docker pull paddlecloud/paddleocr:2.6-gpu-cuda11.2-cudnn8-latest

Tensorflow：如果前面裝的沒啥問題，基本最後這兩個是最簡單的

conda install tensorflow==1.15.0

Pytorch：這個就應該是最簡單的了，直接看網頁上就能裝，https://pytorch.org/get-started/locally/

conda install pytorch torchvision cudatoolkit=10.0 -c pytorch

至於驗證版本等則是用這樣的指令 !

python -c "import torch; print(torch.__version__)"

1.3.0

python3 -c "import torch; print(torch.version.cuda)"

10.1.243

python3 -c "import torch; print(torch.backends.cudnn.version())"

7603

python -c "import torch; print(torch.cuda.is_available())"

True

[Linux] Ubuntu 安裝、移除 NVIDIA 顯示卡驅動程式（Driver）教學

Pytorch DataParallel v.s. DistributedDataParallel
(Pytorch使用分散式訓練，單機多卡)

DataParallel

single process, multi-thread
將輸入一個 batch 的數據均分成多份，分別送到對應的 GPU 進行計算，各個 GPU 得到的梯度累加。
與 Module 相關的所有數據也都會以淺複製的方式複製多份。
每個 GPU 將針對各自的輸入數據獨立進行 forward 計算，在 backward 時，每個卡上的梯度會匯總到原始的 module 上，再用反向傳播更新單個 GPU 上的模型參數，再將更新後的模型參數複製到剩餘指定的 GPU 中，以此來實現並行。
由於 GPU 0 作為master來進行梯度的匯總和模型的更新，再將計算任務下發給其他GPU，所以他的記憶體和使用率會比其他的高。
全程只維護一個 optimizer，對各 GPU 上梯度進行求和，而在主 GPU 進行參數更新，之後再將模型參數 broadcast 到其他 GPU。

DistributedDataParallel (pytorch分布式数据并行DistributedDataParallel, DDP)

Pytorch 分散式訓練 DistributedDataParallel ：概念篇 | 實作篇
multi process
在每次迭代中，每個process具有自己的 optimizer ，並獨立完成所有的優化步驟，進程內與一般的訓練無異。
在各process梯度計算完成之後需要將梯度進行匯總平均，然後再由 rank=0 的進程，將其 broadcast 到所有進程，接著各進程用該梯度來獨立的更新參數。
由於各進程中的模型，初始參數一致 (初始時刻進行一次 broadcast)，而每次用於更新參數的梯度也一致，因此各進程的模型參數始終保持一致。
相較於 DataParallel，torch.distributed 傳輸的數據量更少，因此速度更快，效率更高。

Page updated

Report abuse