笔记本和台式机显卡驱动和安装Pytorch，TensorFlow等主流的深度学习框架问题详解
1、区分显卡版本
RTX30系列的显卡只支持cuda11以上的版本，这是一个天坑，在安装的时候一定要区分开来，不然安装半天cuda10版本的，根本不能用，原因是因为算力不同。对于其他版本的cuda，主要通过命令nvidia-smi来查看，只要不高于显示的cuda版本即可。
2、区分Pytorch，TensorFlow版本
Pytorch好像可以向下兼容，不过Pytorch要严格对应Torchvision的版本。对应方式，就按照官网给的命令来安装，保证可以对应成功，不过要根据自己的cuda版本来找到对应的命令。
TensorFlow2.X版本之间是完全不兼容的，所以要安装和自己cuda对应版本的框架
对于上述两个框架都对cuda有一定的要求，根据我的尝试发现，如果期望的cuda版本和本机安装的cuda版本相近，可以conda安装cudatoolkit来调用，这样避免了系统cuda版本不对应重复安装cuda，如果本机cuda版本是cuda11.x，而框架需要的cuda是10.x，cudatoolkit方法是不可行的。安装方法如下：
# 前提是已激活conda的某个环境，然后安装，其中=后面是框架所需对应cuda版本号
$ conda install cudatoolkit=11.2
3、安装显卡驱动
显卡驱动安装有多种方法，有一种方法是直接命令安装。下面讲述命令安装方法，我的电脑是台式机，系统是Ubuntu18.04，经过实践证明可以正常使用
# 查看推荐安装的驱动
$ ubuntu-drivers devices
# 安装推荐版本的驱动
$ sudo ubuntu-drivers autoinstall
# 也可以选择手动安装其他驱动（有些笔记本不支持高版本的驱动（表现为安装后，不能进入系统界面，一直黑屏，F2可以进grub卸载驱动，重新安装），尝试安装非推荐版本低（查看别人都装什么版本的）的驱动可解决问题）
# 同时也可以安装下面的命令安装，这样就可以安装对应版本的驱动
$ sudo apt install nvidia-driver-470
# 安装完成后，**重启**，输入命令查看是否安装完成和支持最高版本cuda
$ nvidia-smi
# 在这里再次强调关于cuda版本问题，首先去查看，Pytorch现在支持什么版本的cuda，然后查看是否支持超过当前驱动支持的版本（右上角），如果没有就可以安装Pytorch对应的版本，例如我的支持最高版本为11.4，Pytorch稳定版支持cuda11.1，所以要安装cuda11.1才能正常工作。（尝试安装10.2发现算力不匹配，报sm_86的错误）
4、安装cuda和cudnn
4.1、安装cuda
# 各版本下载连接https://developer.nvidia.com/cuda-toolkit-archive
# 本文以cuda11.4举例，来安装cuda和cudnnn，如果是20系列的显卡，建议装10.2版本的cuda，30系列可以装11.3
# 下载11.4版本runfile
$ wget https://developer.download.nvidia.com/compute/cuda/11.4.0/local_installers/cuda_11.4.0_470.42.01_linux.run
# 下载好后，运行安装cuda，按照提示安装，到了安装驱动那一步，要**取消安装驱动**，其他默认即可
$ sudo sh cuda_11.4.0_470.42.01_linux.run
# 在~/.bashrc添加环境变量
$ echo "export PATH=/usr/local/cuda/bin:$PATH" >> ~/.bashrc
$ echo "export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH " >> ~/.bashrc
# 更新以下，使其生效
$ source ~/.bashrc
# 查看是否安装完成
$ nvcc -V
4.2、安装cudnn，谨记安装的cudnn和cuda版本对应，本文cuda11.4对应cudnn版本是8.2.2.26
# 下载连接：https://developer.nvidia.com/cudnn
$ cd Downloads/ && tar zxvf cudnn-11.4-linux-x64-v8.2.2.26.tgz
$ sudo cp cuda/include/cudnn.h /usr/local/cuda-11.4/include
$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.4/lib64
$ sudo chmod a+r /usr/local/cuda-11.4/include/cudnn.h
$ sudo chmod a+r /usr/local/cuda-11.4/lib64/libcudnn*
5、安装多个版本的cuda和cudnn
5.1、安装另一个版本的cuda
# 本文以10.2版本作为例子，官网下载cuda10.2
$ wget https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run
# 安装过程中，最后一个选项，选择是否cuda symbol link，选NO
$ sudo sh cuda_10.2.89_440.33.01_linux.run
5.2、安装cuda10.2对应版本的cudnn
# 下载连接：https://developer.nvidia.com/cudnn
$ cd Downloads/ && tar zxvf cudnn-10.2-linux-x64-v8.3.0.98.tgz
$ sudo cp cuda/include/cudnn.h /usr/local/cuda-10.2/include
$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.2/lib64
$ sudo chmod a+r /usr/local/cuda-10.2/include/cudnn.h
$ sudo chmod a+r /usr/local/cuda-10.2/lib64/libcudnn*
5.3、查看当前软连接版本
$ cd /usr/local
$ stat cuda
5.4、删除之前软连接，然后添加cuda10.2版本的软连接
$ cd /usr/local
$ sudo rm -rf cuda
$ sudo ln -s /usr/local/cuda-10.2 /usr/local/cuda
5.5、问题说明
30系列显卡安装10.2版本的cuda会出现问题的，问题大概描述是The current PyTorch install supports CUDA capabilities sm_37 sm_50 sm_60 sm_61 sm_70 .原因是sm_86表示显卡的算力是8.6，而pytorch的算力最高只有7.0，所以显卡不支持cuda10系列
6、安装Pytorch
安装Pytorch建议在conda虚拟环境中安装，简单说明，显卡驱动已经安装完成，同时cuda和cudnn也配置完毕，然后就可以去官网安装Pytorch，如果自己安装，一定要注意Pytorch的版本和Torchvision的 版本对应，可以通过链接查看安装的版本。下面说明如何检测安装成功：
$ python
>> import torch
>> torch.cuda.is_available() # 返回True表示成功
7、安装Tensorflow
安装Pytorch建议在conda虚拟环境中安装，简单说明，显卡驱动已经安装完成，同时cuda和cudnn也配置完毕。同样也是安装过程不再说明，去官网安装Tensorflow，同样这里贴上测试是否安装成功。
$ python
>> import tensorflow as tf
>> tf.test.is_gpu_available() # 返回True表示成功
8、关闭内核更新
这个步骤一定要做的，不然你会发现，那天开机之后显卡驱动没有了，然后电脑黑屏了，或者cuda没有了。所以建议一定要关闭内核更新。关闭内核更新需要两步：
1、首先打开Software & Updates，然后找到Update把上面的三个对勾都取消掉，然后设置从不更新。
2、输入下面命令，将文件中的"1"全部更改为"0"
$ sudo gedit /etc/apt/apt.conf.d/10periodic
# 如果内核已经更新了，那么可以通过下面命令查看目前安装的内核
$ dpkg --get-selections | grep linux-image
# 使用下面命令查看当前内核版本
$ uname -a
# 当你进入系统的时候，从Advance for ubuntu 进入，然后选择内核进入，多次重启找到你安装显卡版本的内核进入系统，然后输入下面命令，将该内核作为默认启动
$ sudo apt-mark hold linux-image-generic linux-headers-generic
