0X00 问题描述
实验室最近又增加了RTX2080Ti服务器，再给服务器装系统的过程中，发现由usb引导安装ubuntu时，出现由于显卡不支持图形化界面导致的黑屏。
boot设置：
选择usb boot后：
黑屏且只有一个光标闪烁。
0X01 解决方法
一般这种情况都是由于显卡与ubuntu桌面不兼容导致的，因此选择跳过桌面加载过程，在usb boot是按control,进入设置界面：
在安装页面按F6选择nomodeset模式，再选择Install Ubuntu选项就可以进入正常的图形化安装界面：
0X02 安装细节
一下就和正常安装ubuntu一样了，可以设置一下分区（拍得不是很清楚zzzzz）：
这里面/dev/nvme0n1是一个固态硬盘，也是我们装入系统的盘。/dev/sda是一个机械硬盘，用来存储数据。/dev/sdb是我安装系统使用的闪存盘。具体的信息可以在下面的下拉菜单里面找到。(依然看不清楚(；д；))。
知道了用处我们就可以做出分区选择：将/dev/nvme0n1作为根目录（/）分区，使用ext4格式化；/dev/sda划分256,000MB作为交换分区（swap）;其余的使用ext4格式化为数据分区（/data）。示例如下：
选择根目录分区：
选择数据分区：
最终的分区状态（模糊到变形ヽ(ー_ー)ノ）：
接下来就可以开始安装了，国内的同学建议安装前不要联网。ubuntu在安装过程中会下载语言包等安装包，断开网络可以显著提高安装速度，缺少的包可以在换了国内软件源之后补上，安装后就可以出现登录界面了：
可以看到界面比较简单，分辨率较低。这是由于我们没有使用完整的图形界面，后面会有解决方法。
0x03进一步配置
安装成功后，我们就可以开始配置一台基本的深度学习服务器了，首先就是更换国内的软件源。先备份原有的源文件
sudo cp /etc/apt/sources.list sources.list.bak
创建自己的source.list文件，将国内源地址复制进去，这里从下面得到清华软件源的地址：
有了国内源，就可以较快安装并更新系统软件了，首先更新软件列表
sudo apt-get update
接下来安装并开启ssh服务
sudo apt-get install openssh-server
sudo service ssh start
如果没安装ifconfig命令，可以使用
sudo apt install net-tools
查看本机ip
ifconfig | grep inet
这样我们就可以从自己的电脑上远程配置服务器了，不用在机房里面吃灰(；へ：)。
0x04 nvidia显卡驱动安装
安装之前，可以先更新一下软件(如果你计划不安装最近版本，谨慎更新软件，会引入许多高版本的依赖)
sudo apt-get upgrade
nvidia显卡驱动可以从nvidia显卡驱动下载，根据自己的显卡型号选择对应的驱动。安装时，参考官方的安装教程nvidia安装教程。
首先确定满足最小的依赖选项最小依赖项。我这里只缺少GNU make以及gcc,所以安装
sudo apt install make
sudo apt install gcc
这里我使用nvidia .run文件安装，比较简单。首先停止图形化界面：
发现并没有图形化界面，这与我们之前的发现也一致。
卸载之前的nvidia驱动：
sudo apt autoremove –purge nvidia-*
更改驱动文件权限
chmod 777 <nvidia驱动名称>.run
直接执行就可以了
./<nvidia驱动名称>.run
可能会跳出这些界面：
gcc版本等于或者稍微高于版本都是可以的
选择好这些选项nvidia驱动就安装好了，可以执行nvidia-smi命令验证一下：
这时候我们选择重启计算机，系统不会正常显示图形界面，而是会出现：
这是由于我们并没有可以从nvidia显卡运行的图形化界面，但系统已经正常启动了，我们可以通过ssh登录系统，启动图形化界面。
首先安装：
sudo apt install lightdm
安装过程选择lightdm,并启动
sudo service lightdm start
再重启计算机，就可以有正常的界面了
可以看到分辨率高了不少，同时显卡也在运行界面：
至此我们显卡与图形界面不匹配的ubuntu系统安装就完成了。
0x05 cuda及cudnn安装
cuda以及cudnn安装都很简单，参考官方教程就可以了
其中，安装cuda最简单的方式就是下载对应的.run文件，然后执行
chmod 777 <cuda安装文件名>.run
./<cuda安装文件名>.run
如果你需要的nvidia显卡驱动较高，安装过程选择就不安装nvidia显卡驱动。
这样的cuda基本上可以运行，但如果需要编译有cuda依赖的程序，可能会有找不到cuda的情况，这时可以将cuda路径添加到系统路径里面（按需调整路径）
export PATH=/usr/local/cuda-10.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
经过这样的操作，就可以直接复制cudnn文件
tar -xzvf cudnn-9.0-linux-x64-v7.tgz
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*
把握起见，可以编译一下cuda或者cudnn的验证程序，或者直接运行深度学习框架测试。