ubuntu18.04使用cudnn的過程中會遇見很多問題，而且搜索很多文章發現比較雜亂，我這里總結一下，方便小伙伴少走幾步坑。

我的服務器硬件配置信息 (2019-01購買)

CPU: 英特爾(intel) i7 7820X 酷睿八核16線程

主板: 華碩 (ASUS) PRIME X299-DELUXE II

內存: 金士頓(Kingston)DDR4 3000 16G * 2

顯卡：技嘉(GIGABYTE)GeForce RTX 2080Ti * 2

SSD: 英特爾(intel)760P 512G

硬盤: 西部數據紅 4TB

電源: 航嘉磐石1800w

機箱: 美商海盜船 AIR540

散熱: 九周風神大霜塔CPU散熱風扇

ubuntu18.04下載

具體下載鏈接如下：

http://ftp.sjtu.edu.cn/ubuntu-cd/18.04.2/ubuntu-18.04.2-desktop-amd64.iso

使用虛擬光驅制作u盤啟動

安裝系統

啟動按”del”鍵，進入BIOS界面，設置u盤啟動,保存并重啟。

下面是我的安裝步驟：

首先重啟成功，進入選擇操作界面，選擇安裝ubuntu操作系統，如下圖：

進入下一步選擇英文，這里我們選擇裝成英文版，如下圖：

進入下一步，選擇英文鍵盤，如下圖：

進入下一步，選擇安裝第三方類庫，如下圖：

進入下一步，選擇格式化磁盤安裝，如下圖：

進入下一步，選擇安裝的磁盤，這里我選擇我的ssd硬盤，如下圖：

系統提示要寫入磁盤，點擊繼續進入下一步，如下圖：

進入下一步，選擇時區，這里選擇中文時區，如下圖：

進入下一步，設置你的賬戶密碼，如下圖：

進入下一步，開始安裝系統，如下圖：

安裝完成，重啟機器。服務器安裝完成，趕快先裝個ssh吧，可以遠程ssh，截圖也方便點，不用手機人工一張一張拍了。

安裝ssh server，并首先遠程登陸

先查看一下ssh安裝情況，命令如下：

sudo ps -e |grep ssh

結果如下圖，發現沒有安裝：

執行安裝命令如下：

sudo apt-get install openssh-server

安裝完成再次查看ssh安裝情況，命令如下：

sudo ps -e |grep ssh

結果如下圖，發現多了一個sshd的服務：

用命令查看一下ip信息，執行命令如下：

ifconfig

結果如下圖，提示需要安裝net-tools：

執行命令安裝net-tools,執行命令如下:

sudo apt install net-tools

安裝完成繼續用命令查看ip信息，執行命令如下:

ifconfig

執行結果如下圖，發現ip地址為192.168.118.147

ip地址拿到了，趕快重啟機器測試一下ssh能否正常吧。

我用mac item2命令行測試，使用ssh命令登陸，ssh命令如下：

ssh saycolor@192.168.118.147

根據提示選擇yes,并輸入前面設置的密碼，登陸結果如下圖,可以正常遠程登陸啦。

遠程ssh搞定，接下來操作截圖方便多了，接下來的是要檢測硬件設備以及安裝顯卡驅動。

首先檢查一下硬件信息(這步大家可以跳過)

查看cpu信息，執行命令如下：

cat /proc/cpuinfo | grep model\name

檢查結果如下圖，CPU16線程：

查看內存信息，執行命令如下：

cat /proc/meminfo | grep MemTotal

檢查結果如下圖，內存32G：

查看一下顯卡信息，執行命令如下：

lspci | grep 'VGA'

檢查結果如下圖，2張顯卡：

聲卡、網卡、硬盤不在這里檢查了，感興趣的大家可以自己搜索進行操作。

顯卡驅動安裝

在安裝驅動之前先刪除原有vim類庫，不然會在vi編輯時發現上下左右鍵變成了奇怪的字符，命令如下：

sudo apt-get remove vim-common

sudo apt-get install vim

在剛才操作過程中明顯中明顯感覺到顯示超級卡，可能上了RTX 2080Ti顯卡后，Ubuntu18.04內置的驅動和PPA安裝的都不運作了。廢話不多說，趕快搞顯卡驅動吧。

禁用系統默認顯卡驅動

打開系統黑名單，命令如下 ：

sudo vi /etc/modprobe.d/blacklist.conf

在blacklist.conf文件中添加禁用的顯示設備，文件尾部追加內如如下:

# for nvidia display device install

blacklist vga16fb

blacklist nouveau

blacklist rivafb

blacklist rivatv

blacklist nvidiafb

保存blacklist.conf文件，然后更新內核,命令如下:

sudo update-initramfs -u

至于initramfs的介紹,可以參考這位小伙伴的博文鏈接:

重啟電腦

sudo reboot

重啟完成，執行命令如下(查看是否禁用成功，無輸出則禁用成功)：

lsmod | grep nouveau

2. 下載安裝RTX2080 Ti驅動

方法一：從Ubuntu軟件庫安裝

添加Graphic Drivers PPA軟件庫源到系統，執行命令如下:

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

更新本地軟件庫

sudo apt update

在軟件庫中尋找合適的軟件版本,執行如下命令:

ubuntu-drivers devices

可以看出結果如下圖,這里推薦一個第三方的navidia-driver-415版本驅動:

為了穩妥,我們去官網核對以下。

選擇RTX20系列,RTX2080 Ti顯卡, linux 64-bit,英文版本驅動進行搜索。搜索完成會列出所有版本的顯卡列表，如下圖：

我們可以看到幾個415版本的驅動，打開415.23這個版本查看一下詳情，如下圖：

再次確認415版本支持GeForce RTX 2080 Ti顯卡，所以我們可以放心的使用我們的軟件庫中的軟件進行安裝了。由于我們要安裝顯卡驅動，會影響桌面顯示，我們可以先關閉(圖形)桌面顯示管理器LightDM，執行命令如下(對于本機安裝的小伙伴，可以按ctrl+alt+F1進入tty文本模式):

sudo service lightdm stop

直接執行安裝命令如下(這個下載過程比較長，大家耐心等待)：

sudo apt install nvidia-driver-415

安裝完成，重啟系統，命令如下：

sudo reboot now

方法二：官網下載原廠最新驅動

在上面都搜索列表中，我們也可以直接安裝最新的版本驅動，由于Graphic Drivers PPA軟件庫并不支持最新的驅動。

點擊進入第一個最新的驅動版本進入詳情頁如下圖，點擊DOWNLOAD進行下載：

下載鏈接如下:

https://us.download.nvidia.com/XFree86/Linux-x86_64/418.43/NVIDIA-Linux-x86_64-418.43.run

服務器執行wget命令進行下載：

wget https://us.download.nvidia.com/XFree86/Linux-x86_64/418.43/NVIDIA-Linux-x86_64-418.43.run

給驅動文件添加可執行權限，命令如下:

sudo chmod +x NVIDIA-Linux-x86_64-418.43.run

執行安裝文件，命令如下：

sudo ./NVIDIA-Linux-x86_64-418.43.run

然后更新內核，重啟系統，命令如下：

sudo update-initramfs -u

sudo reboot now

檢測顯卡驅動安裝情況

重啟完系統以后，進入桌面，明顯感覺不卡啦，直觀感覺顯卡驅動裝好啦，而且開機明顯能聽見顯卡驅動風扇的聲音。

執行命令查看顯卡驅動是否安裝成功，命令如下：

nvidia-settings

出現如下界面，驅動安裝成功：

遠程登陸服務器，使用命令行參數查看一下顯卡信息，執行命令如下：

nvidia-smi

出現如下結果，表示安裝成功(注意這里可以看到CUDA Version:10.0,我也有點疑問？這里我認為cuda是一種顯卡支持的能力，隨顯卡驅動安裝完成即擁有，CUDA Toolkit是一種基于GPU的抽象接口,使得c和c++開發者不用進行底層開發，需要單獨安裝。)：

查看下顯卡具體的版本，執行如下命令:

cat /proc/driver/nvidia/version

可以查看結果如下圖：

安裝CUDA Tookit

CUDA是什么？

CUDA? 是 NVIDIA 創造的一個并行計算平臺和編程模型。它利用圖形處理器 (GPU) 能力，實現計算性能的顯著提高。想詳細了解的可以參考小伙伴的這篇博文：CUDA——\”從入門到放棄\”

CUDA Tookit是什么？

NVIDIA? CUDA? 工具包為 C 和 C++ 開發人員構建 GPU 加速應用程序提供全面的開發環境。CUDA 工具包中包括一個針對 NVIDIA GPU 和數學庫的編譯器，以及用于調試和優化應用程序性能的各種工具。您還將找到編程指南、用戶手冊、API 參考和其他文檔，幫助您快速開始使用 GPU 來加速應用程序。具體安裝步驟參考鏈接: https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html

安裝之前，我們要確認操作系統與顯卡驅動以及gcc還有cuda的對應關系無誤。

查看操作系統版本命令如下：

uname -m && cat /etc/*release

結果如下圖:

查看gcc版本命令如下：

gcc -v

結果如下圖：

ubuntu18.04和gcc的對應關系如下圖，參考鏈接: CUDA Toolkit Documentation

可以看出ubuntu18.04和gcc7.3.0的對應關系，我們機器實際對應關系無誤。

再確認一下顯卡驅動版本，命令如下：

cat /proc/driver/nvidia/version

結果如下圖，顯卡驅動版本為415.27版本。

CUDA Tookit和顯卡驅動的對應關系如下圖，參考鏈接：CUDA Toolkit Documentation

上面我們安裝的顯卡驅動為415.27，根據關系相匹配的CUDA Toolkit應為10.0版本。下載CUDA Tookit,先進入CUDA Tookit列表選擇頁面,鏈接如下: https://developer.nvidia.com/cuda-toolkit-archive

最新的版本為10.1,但是跟我們匹配的是10.0,這里一定要選擇對版本，點擊進入下載，下載鏈接：https://developer.nvidia.com/cuda-10.0-download-archive ，選擇對應的版本進行下載，這里選擇runfile類型，因為這個可以選擇跳過顯卡驅動安裝。

下載鏈接地址為：

https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda_10.0.130_410.48_linux

然后進行下載，準備安裝，命令如下(這里可以使用sudo apt install nvidia-cuda-toolkit安裝，但是我不確定是否安裝版本能匹配上，沒做嘗試，大家可以選擇嘗試)：

wget https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda_10.0.130_410.48_linux

給cuda toolkit安裝文件添加可執行權限，命令如下:

sudo chmod +x cuda_10.0.130_410.48_linux

執行命令安裝如下:

sudo ./cuda_10.0.130_410.48_linux

安裝過程交互步驟：

輸入accpet回車操作，確認協議，進入下一步:

輸入no點擊回車，進行下一步：

進入下一步，指定安裝目錄，直接回車，默認目錄安裝，如下圖:

進入下一步,提示是否要建立一個軟連接，直接回車確認建立，如下圖:

進入下一步，提示是否安裝cuda toolkit 示例，回車確認安裝，如下圖：

進入下一步，提示指定安裝cuda toolkit 示例的安裝路徑，直接回車，默認目錄安裝，如下圖:

安裝完成出現如下界面，提示你確認添加環境變量配置。

首先我們確認一下當前使用的shell,使用命令如下:

echo $SHELL

截圖如下，使用的是bash腳本。

我們修改用戶目錄下的.bashrc文件，命令如下：

cd ~

sudo vi .bashrc

添加如下配置到.bashrc文件尾部，內容如下：

export PATH=/usr/local/cuda-10.0/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH

添加完成以后，激活當前配置，命令如下:

source .bashrc

使用命令驗證cuda toolkit安裝是否成功：

nvcc -V

出現如下信息，cuda toolkit安裝成功,如下圖：

驗證cuda toolkit,進入cuda toolkit提供的demo,進行編譯測試，命令如下:

cd /usr/local/cuda-10.0/samples/1_Utilities/deviceQuery

sudo make

./deviceQuery

執行結果如下圖，看到Result = PASS表示測試通過：

在上面我們可以看到2張顯卡的設備信息，已經通過cuda toolkit測試通過的信息，cuda toolkit安裝成功。

安裝cuDNN

cuDNN是什么？

cuDNN的全稱為NVIDIA CUDA? Deep Neural Network library，是NVIDIA專門針對深度神經網絡(Deep Neural Networks)中的基礎操作而設計基于GPU的加速庫。cuDNN為深度神經網絡中的標準流程提供了高度優化的實現方式，例如convolution、pooling、normalization以及activation layers的前向以及后向過程。cuDNN只是NVIDIA深度神經網絡軟件開發包中的其中一種加速庫。

cuDNN只是NVIDIA深度神經網絡軟件開發包中的其中一種加速庫。如下圖，NVIDIA為深度學習準備了很多的SDK類庫,想詳細了解的可以參考鏈接: https://developer.nvidia.com/deep-learning-software

下載cuDNN

我們選擇與CUDA版本對應的列表，這里我們選擇支持CUDA10.0最新的cuDNN v7.4.2版本，如下圖,對應系統架構和操作系統以及版本(x86_64架構ubuntu18.04操作系統):

下載鏈接地址：

cuDNN Runtime Library for Ubuntu18.04 (Deb)

https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.4.2/prod/10.0_20181213/Ubuntu18_04-x64/libcudnn7_7.4.2.24-1%2Bcuda10.0_amd64.deb

cuDNN Developer Library for Ubuntu18.04 (Deb)

https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.4.2/prod/10.0_20181213/Ubuntu18_04-x64/libcudnn7-dev_7.4.2.24-1%2Bcuda10.0_amd64.deb

cuDNN Code Samples and User Guide for Ubuntu18.04 (Deb)

https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.4.2/prod/10.0_20181213/Ubuntu18_04-x64/libcudnn7-doc_7.4.2.24-1%2Bcuda10.0_amd64.deb

大家可以用上面的安裝包安裝，我這里選擇用linux通用的版本安裝，如下圖(這里需要點擊進去注冊登陸才能下載):

直接下載，命令如下(wget如果出現403，是需要登陸,我這里直接瀏覽器登陸下載的):

wget https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.4.2/prod/10.0_20181213/cudnn-10.0-linux-x64-v7.4.2.24.tgz

解壓壓縮包，命令如下:

tar -xzvf cudnn-10.0-linux-x64-v7.4.2.24.tgz

然后copy解壓文件到cuda目錄，命令如下:

sudo cp cuda/include/cudnn.h /usr/local/cuda/include

sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

至此cuDNN安裝完成。

檢測一下cuda版本，命令如下:

cat /usr/local/cuda/version.txt

結果如下圖：

檢測一下cuDNNcuda版本，命令如下:

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

結果如下圖：

我們想通過示例測試cuDNN，下載鏈接: cuDNN Archive

我們就下載官方示例代碼，現在鏈接地址如下(wget如果出現403，是需要登陸,我這里直接瀏覽器登陸下載的):

wget https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.4.2/prod/10.0_20181213/Ubuntu18_04-x64/libcudnn7-doc_7.4.2.24-1+cuda10.0_amd64.deb

下載完成后，新建目錄，解壓deb文件到對應目錄，然后取出里面的示例代碼，命令如下:

mkdir cuda-samples

dpkg -X libcudnn7-doc_7.4.2.24-1+cuda10.0_amd64.deb cuda-samples

cd cuda-samples/usr/src

ls

可以看到目錄中示例代碼,如下圖:

執行一下壓縮命令，留著備用,需要的也可以直接找我要。

tar zcvf cudnn_samples_v7.tar.gz cudnn_samples_v7/

接下來我們要進去測試cuDNN,進入cudnn_samples_v7目錄進行測試，這個下面的任何一個示例都可以，我們選擇mnistCUDNN,先進入對應目錄命令如下:

cd cudnn_samples_v7/mnistCUDNN

進行編譯操作，命令如下:

make clean && make

編譯完成可以看到生成一個編譯后的可執行文件如下:

運行測試文件，命令如下:

./mnistCUDNN

運行以后可以看到如下的結果，如下圖:

可以看到2張顯卡寫協作運行，測試通過。

安裝anaconda

下載anaconda,命令如下:

wget https://repo.anaconda.com/archive/Anaconda3-2018.12-Linux-x86_64.sh

執行安裝命令：

./Anaconda3-2018.12-Linux-x86_64.sh

修改bash環境變量，命令如下:

sudo vi .bashrc

.bashrc文件尾部加入下面內容并保存。

export ANACONDA_HOME=/home/saycolor/anaconda3

export PATH=$ANACONDA_HOME/bin:$PATH

激活.bashrc

source .bashrc

檢查安裝結果

conda --version

看到如下圖結果,表示anaconda安裝成功:

由于anaconda默認國外鏡像，有時候下載特別慢，我們想把鏡像指向國內，執行如下命令，命令含義是加入鏡像通道，并在搜索的時候顯示通道地址：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --set show_channel_urls yes

此時會在~/.condarc文件加入內容如下：

channels:

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

show_channel_urls: true

我們查看一下加入鏡像以后的文件內容，如下圖：

新建python3的虛擬環境(名字叫tensorflow)

conda create -n tensorflow python=3.6.4

繼續修改bash環境，設置默認激活tensorflow虛擬環境，命令如下:

sudo vi .bashrc

.bashrc文件尾部加入下面內容并保存。

source activate tensorflow

激活配置，執行命令如下:

source .bashrc

通過anaconda安裝tensorflow

anaconda提供了一個界面進行操作；但是作為一個碼農，我還是喜歡使用命令操作，所以下面都是基于命令行的操作;不喜歡的也可以在界面進行操作，這里不在介紹，大家可以自行google。

搜索鏡像中的tensorflow列表，執行命令如下：

anaconda search -t conda -p linux-64 tensorflow

搜索命令參考如下圖，-t參數指定安裝方式，-p指定安裝的平臺，官網鏈接如下：Command reference

搜索以后結果如下圖，Name是倉庫名；Version是版本；Package Types就是安裝包類型，我們上面指定的是conda,這里只會顯示conda類型的安裝包；Platforms這里是支持的平臺，我們指定的是linux-64，這里會顯示所有支持linux 64平臺的conda類型的安裝包，當然有些同時支持其他平臺比如os-64等；Build是基于python構建的版本：

這里可能比較多，小伙伴不知道怎么選擇，我這里給出幾點建議：

1.優先選擇你想要的版本，比如你比較明確要安裝tensorflow1.12 gpu的版本，那選擇對應的就并且支持你所要安裝的平臺架構可以了。

2.盡量選擇支持平臺多的版本，有時候我們服務器和自己電腦都要安裝，想安裝同樣的版本，這個支持平臺多的版本，對于代碼在自己電腦和服務器同步操作的情況下，由于版本造成的差異會很小。

3.盡量選擇anaconda/*開頭的版本，這個一般是官網出的版本，一般情況下支持的平臺也最多，至于原因就是因為我個人認為官網比較權威，沒有被別人改動或者污染的可能性低。

這里我目標很明確，想要安裝linux64的tensorflow gpu版本，所以我選擇了一個如下版本:

查看一下鏡像的具體信息，命令如下(anaconda命令不熟悉的小伙伴可以繼續參考官網鏈接：Command reference)：

anaconda show anaconda/tensorflow-gpu

查看結果如下圖，列出了所有的版本，也看到最下方也提示了你執行安裝的命令：

安裝最新版,執行命令如下(如果不指定版本的前提下，默認安裝最新版)：

conda install --channel https://conda.anaconda.org/anaconda tensorflow-gpu

接下來就是安裝過程，系統會提示你所安裝的類庫需要依賴安裝的類庫以及需要更新的類庫，以及更新的類庫對應從哪個版本變更到哪個版本。由于確認以后自動安裝和更新，這里大家最好心中有數，以免新類庫安裝好了，基于被更新類庫的代碼跑不通了或者出現問題，這里如果確認無誤，輸入y確認安裝，輸入n推出安裝。

安裝過程如下圖：

這里我們看到提示tensorflow-gpu 1.12版本安裝成功，同時我們也能發現點問題

tensorflow-gpu依賴tensorflow-base

tensorflow-gpu 1.12版本依賴cudatoolkit-9.2和cudnn-7.2.1，而我們的顯卡比較新安裝了CUDA10.0最新的cuDNN v7.4.2版本，我懷疑tensorflow并不能跑出gpu加速效果。

接下來查看tensorflow是否安裝，命令如下：

conda list|grep tensorflow

可以看到如下圖，表面當前激活的anaconda環境下已經安裝了tensorflow

快使用代碼測試一下吧,使用python命令進入命令行，執行python腳本如下:

python

import tensorflow as tf

print(tf.__version__)

可以看到執行結果如下圖，顯示tensorflow的版本，表明安裝成功:

這里tensorflow安裝完成了，但是有些小伙伴喜歡使用jupyter Notebook進行編碼和調試，下面我們就來配置一下jupyter Notebook使用自己上面配置的anaconda環境。

在當前anaconda虛擬環境下安裝ipykernel，這里沒啥特殊要求，直接如下命令默認安裝。

conda install ipykernel

將當前anaconda虛擬環境環境寫入notebook的kernel中,這里第一個tensorflow是anaconda虛擬環境環境的名字，第二個帶引號的tensorflow是在jupyter Notebook中的顯示服務名。

python -m ipykernel install --user --name tensorflow --display-name "tensorflow"

啟動jupyter notebook，命令如下：

jupyter notebook

在jupyter notebook新建文件的時候，可以看到display-name對應對環境名或者在已經打開對文件選擇服務–>改變服務切換。對于已經新建好的文件，也可以默認修改默認的服務，如下圖：

還有些小伙伴使用pycharm開發，怎么配置pycharm使用anconda新建的虛擬環境呢，如下配置就可以了，指定好你的路徑：

至此，ubuntu18.04+RTX2080Ti+cuda+cudnn+anaconda+tensorflow+jupyter notebook／pycharm配置基本完成。

opencv安裝

安裝opencv可以直接使用命令安裝，這里我們下載opencv源碼進行編譯安裝，如下圖，官網鏈接 Releases – OpenCV library：

雖然4.0已經發布，但是python類庫并不一定支持比較好，但是這里我選擇3.4.4版本。

執行下載命令如下：

wget https://github.com/opencv/opencv/archive/3.4.4.zip

解壓壓縮包，命令如下：

unzip 3.4.4.zip

安裝build-essential軟件包 ，執行命令如下：

Ubuntu缺省情況下，并沒有提供C/C++的編譯環境，因此還需要手動安裝。但是如果單獨安裝gcc以及g++比較麻煩，幸運的是，Ubuntu提供了一個build-essential軟件包。也就是說，安裝了該軟件包，編譯c/c++所需要的軟件包也都會被安裝。因此如果想在Ubuntu中編譯c/c++程序,只需要安裝該軟件包就可以了。

sudo apt-get install build-essential

GCC 4.4.x以上，檢查命令如下：

gcc -v

檢查結果如下圖：

2. CMake 2.8.7以上，檢查命令如下：

cmake

檢查結果如下圖，發現沒有cmake：

使用命令安裝cmake,命令如下：

sudo apt install cmake

3. Git,檢查命令如下,發現沒有git：

使用命令安裝git,命令如下：

sudo apt install git

4. GTK+2.x以上版本，包含頭文件(libgtk2.0-dev)，命令如下：

sudo apt-get install libgtk2.0-dev

5. pkg-config,安裝命令如下：

sudo apt-get install pkg-config

6. Python 2.6 以上 and Numpy 1.5 以上，檢測命令如下(這里有點疑惑，官網說的是developer packages,我們這里anaconda虛擬環境已經安裝了，我認為不再需要安裝)：

conda list|grep python

conda list|grep numpy

7. 安裝視頻處理相關的軟件包，執行命令如下：

sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev

8. 安裝可選的軟件包，執行命令如下：

sudo apt-get install libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev

根據官網的步驟安裝，我們其中還有一個libjasper-dev包安裝不上，所以上面命令去除了這個軟件包，錯誤如下圖：

這里我們添加一個鏡像倉庫，更新以后再安裝，執行命令如下：

sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"

sudo apt update

sudo apt install libjasper-dev

安裝完成如下圖：

9. CUDA Toolkit 6.5以上，之前我們安裝過了,再檢查一下，命令如下：

nvcc -V

準備工作完畢，進入opencv目錄，新建目錄命令如下：

cd opencv-3.4.4/

mkdir build_gpu

cd build_gpu

啟用opencv cuda加速，配置命令如下：

cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D WITH_TBB=ON -D WITH_V4L=ON -D WITH_QT=ON -D WITH_OPENGL=ON -D WITH_CUDA=ON -D ENABLE_FAST_MATH=1 -D CUDA_FAST_MATH=1 -D CUDA_NVCC_FLAGS="-D_FORCE_INLINES" -D WITH_CUBLAS=1 ..

具體參數含義如下：

CMAKE_BUILD_TYPE是編譯方式

CMAKE_INSTALL_PREFIX是安裝目錄

OPENCV_EXTRA_MODULES_PATH是加載額外模塊

INSTALL_PYTHON_EXAMPLES是安裝官方python例程

BUILD_EXAMPLES是編譯例程(這兩個可以不加，不加編譯稍微快一點點，想要C語言的例程的話，在最后一行前加參數INSTALL_C_EXAMPLES=ON )

在配置過程中，需要下載ippicv_2019_lnx_intel64_general_20180723.tgz文件，這個文件下載速度超級慢，如下圖：

所以這里選擇離線單獨下載這個文件，這里網上找到一個小伙伴分享的地址，下載地址如下，詳細安裝可以參考小伙伴的博文鏈接 Ubuntu – OpenCV 源碼安裝與測試：

ippicv_2019_lnx_intel64_general_20180723.tgz

百度網盤鏈接: https://pan.baidu.com/s/1mVTSdn6hTgo8P3ASKauyDg 提取碼: hiux

配置完成，如下圖：

配置完成，在配置完成的目錄下,進行編譯操作命令如下：

make -j7

編譯過程中，出現錯誤如下圖：

出現這個的問題是cuda10已經廢除了NVIDIA Video Decoder (NVCUVID)，參考鏈接：CUDA Toolkit Documentation

重新配置一下opencv,關閉cuda編譯，命令如下(

cmake -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=/usr/local ..

使用如下命令進行編譯：

make -j7

編譯完成看到如下圖：

執行安裝命令如下：

sudo make install

安裝完成提示如下圖：

測試opencv安裝是否成功，執行命令如下：

opencv_version

可以看到如下圖，顯示opencv的版本，如下圖:

opencv雖然安裝了，但是opecv基于cuda問題沒有解決，這里也向小伙伴求助，歡迎小伙伴來指導。

安裝python-opencv

使用anaconda搜索python-opencv,執行命令如下：

anaconda search -t conda opencv

查看python-opencv 3.4.4版本具體信息，執行命令如下:

anaconda show conda-forge/opencv

執行安裝命令如下:

conda install --channel https://conda.anaconda.org/conda-forge opencv

測試python-opencv,在python命令行執行腳本如下:

python

import cv2

print(cv2.__version__)

看到如下圖顯示版本號,opencv安裝成功:

接下來配置opencv庫的環境變量，不然再調用時候會出現找不到類庫的情況，修改/etc/ld.so.conf文件，命令如下:

sudo vi /etc/ld.so.conf

在文件尾部追加如下內容:

include /usr/local/lib

執行命令更新一下類庫緩存:

sudo ldconfig

修改環境變量~/.bashrc文件，執行命令如下：

sudo vi ~/.bashrc

在~/.bashrc文件中加入PKG_CONFIG_PATH環境變量，如下：

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig

export PKG_CONFIG_PATH

激活環境變量，執行命令如下:

source ~/.bashrc

安裝pytorch

添加清華鏡像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

anaconda安裝pytorch

conda install pytorch torchvision cudatoolkit=9.0

驗證pytorch以及cuda是否正常,如下圖：

由于我們經常要在服務器上顯示操作，不如做目標檢測，總是在命令行操作，看不到opencv打開的效果怎么辦？我們這里裝個teamviewer吧，具體安裝步驟如下：

官網選擇linux版本，下載ubuntu版本deb安裝包，官網鏈接地址：下載 Linux 版 TeamViewer，進行遠程桌面訪問和協作

執行下載命令進行下載，命令如下：

wget https://download.teamviewer.com/download/linux/teamviewer_amd64.deb

下載完成，使用如下命令進行deb包的安裝：

sudo dpkg -i teamviewer_amd64.deb

如果出現依賴庫安裝失敗執行如下命令,強制更新類庫依賴：

sudo apt-get install -f

安裝如下圖：

安裝完成，執行啟動teamviewer命令如下：

teamviewer

同意授權,如下圖：

啟動完成如下圖，至此可以愉快的開始打怪升級之路了。

總結

以上是生活随笔為你收集整理的ubuntu查看cudnn是否安装成功_深度学习之目标检测系列（0） -ubuntu18.04+RTX2080Ti+cuda+cudnn安装...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。