Ubuntu使用Tesla P4配置Anaconda+CUDA+PyTorch

我们之前测试了在Windows系统如何安装Tesla M4**（** 成了！Tesla M4+Windows 10+Anaconda+CUDA 11.8+cuDNN+Python 3.11），前面安装好了Ubuntu 22.04.4的操作系统**（** Ubuntu 22.04.4安装Docker引擎）。今天，简单测试一下在Ubuntu系统上如何把新买的Tesla P4用起来。

首先，我们到NVIDIA官网找到Ubuntu 22.04对应的驱动，下载下来。

这里可以看到，基本上数据中心GPU的驱动都是通用的，从最低端的Tesla M4，到最高端的H系列和L系列，一个驱动文件通杀了。

驱动文件的现在链接如下：

https://cn.download.nvidia.cn/tesla/550.54.15/nvidia-driver-local-repo-ubuntu2204-550.54.15_1.0-1_amd64.deb

下载完成后，对于deb文件，一般有两种安装方式：命令行或者GUI图形界面。GUI图形界面非常简单，只需要在文件管理器中找到下载好的.deb文件并双击运行即可，之后系统会自动调用软件安装程序。根据图形界面中显示的软件相关信息，点击"安装"按钮开始安装过程，直至安装完成。

但对于我来讲，配置了GPU之后，控制台会因为缺少驱动卡在POST页面，所以还是需要先通过命令行方式来安装驱动。

命令行方式主要使用dpkg命令进行安装，命令如下：

css 复制代码

dpkg -i nvidia-driver-local-repo-ubuntu2204-560.35.03_1.0-1_amd64.deb

初次尝试安装时，系统可能会提示公钥（GPG key）未安装。为了能够信任NVIDIA提供的软件包仓库，我们需要执行以下命令，将NVIDIA的公钥复制到系统的keyrings目录下：

perl 复制代码

cp /var/nvidia-driver-local-repo-ubuntu2204-560.35.03/nvidia-driver-local-73056A76-keyring.gpg /usr/share/keyrings/

然后再次执行安装命令，此时，最新版本已经加载到本地仓库。

完成之后，运行以下命令更新软件包列表。

nginx 复制代码

apt update

接下来，使用以下命令来安装最新版本的NVIDIA驱动，指定版本号为550。

nginx 复制代码

apt install -y nvidia-driver-560

安装完毕后，执行reboot命令重启系统，让新安装的NVIDIA驱动生效。重启后，运行nvidia-smi命令，查看NVIDIA驱动是否加载成功。

go 复制代码

nvidia-smi

如果在桌面进行查看，通过Nvidia X Server Setting可以看到设备信息的图形展示。

设备信息。

安装好了驱动程序，接下来，我们来安装CUDA。

首先，安装实际情况选择CUDA的环境配置，如下图所示：

不太建议选择使用runfile文件，编译可能会遇到问题，报错太多，不好解决。按照提示，下载并安装deb程序，整体和安装驱动的过程类似。

ruby 复制代码

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.6.2/local_installers/cuda-repo-ubuntu2204-12-6-local_12.6.2-560.35.03-1_amd64.deb
dpkg -i cuda-repo-ubuntu2204-12-6-local_12.6.2-560.35.03-1_amd64.deb

安装CUDA套件。

cs 复制代码

cp /var/cuda-repo-ubuntu2204-12-6-local/cuda-*-keyring.gpg /usr/share/keyrings/
apt-get update
apt-get -y install cuda-toolkit-12-6

CUDA提供了两种安装模式，传统内核的cuda-drivers和开发内核的nvidia-open。nvidia-open是NVIDIA提供的一种开源内核模块选项，适用于对图形性能要求不是极高，更注重软件开放性和兼容性的场景；cuda-drivers是NVIDIA的传统（闭源）驱动选项，用于支持CUDA技术，适用于需要进行高性能计算或专业图形处理的场景，这些场景对GPU的计算能力和高级图形功能有较高的要求。

所以，我们本次选择安装传统内核模块cuda-drivers，执行以下命令：

cs 复制代码

apt-get install -y cuda-drivers

安装完成后，查看CUDA版本信息。

接下来，安装Anaconda。先下载安装脚本：

javascript 复制代码

wget https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh

然后赋予可执行权限并执行：

css 复制代码

chmod +x Anaconda3-2024.10-1-Linux-x86_64.sh
sh Anaconda3-2024.10-1-Linux-x86_64.sh

按照提示完成安装。

默认情况下，Anaconda的Shell文件没有加载。

如果在上一步没有启用，在安装完成后，需要执行以下命令设置环境变量设置、激活Conda的Hook机制，并将conda集成到Shell的启动过程，之后就可以执行conda命令了。

go 复制代码

/root/anaconda3/etc/profile.d/conda.sh

安装完成后，创建一个pytorch环境，并激活。

sql 复制代码

conda create --name pytorch python = 3.10    
conda activate pytorch

然后就可以参照官网选项，获取安装命令了。

执行以下命令完成PyTorch环境部署

swift 复制代码

conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia

安装完成后，我们执行以下命令检验GPU设备是否可用。

python 复制代码

import torch  
if torch.cuda.is_available():
    print("GPU可用")
    device_name = torch.cuda.get_device_name(0)
    print("设备名称:", device_name)
    # 获取GPU属性（显存大小）
    device_properties = torch.cuda.get_device_properties(0)    
    print("总显存大小:", device_properties.total_memory)

GPU设备检验成功，我们再运行一下矩阵运算，对比一下运算速度。

makefile 复制代码

import torch
import time
size = (20000,20000)
input_cpu = torch.randn(size)
input_gpu = input_cpu.to(torch.device('cuda'))
# 在CPU上执行矩阵乘法（耗时操作）
start_time_cpu = time.time()
output_cpu = torch.mm(input_cpu, input_cpu.t())
duration_cpu = time.time() - start_time_cpu
# 在GPU上执行同样的操作
start_time_gpu = time.time()
output_gpu = torch.mm(input_gpu, input_gpu.t().to(torch.device('cuda')))    
duration_gpu = time.time() - start_time_gpu
print(f"CPU矩阵乘法运行时间: {duration_cpu:.6f} 秒")
print(f"GPU矩阵乘法运行时间: {duration_gpu:.6f} 秒")

CPU的运算时间是10.2秒，GPU的运算时间为0.035474，差了大约286倍。