當前訓練CNN最受歡迎的兩個框架是TensorFlow和 pyTorch，搭建相應的環境其實不難，博主早先在筆記本的Ubuntu上很快就搭建了pyTorch環境及手寫了ResNet 的Demo。但是最近臺式機配上比較不錯的顯卡後，再次搭建帶CUDA的 pyTorch開發環境時，遇到一些問題，故簡略記錄於此。
博主一直使用的是Ubuntu+Windows雙系統，此次一併將雙系統（Win10+Ubuntu18.04）安裝方式總結啦。
雙系統安裝
這裏主要總結先安裝Win10，再安裝Ubuntu18.04的方法。
第一步：安裝Win10。
這一步很多人可以直接跳過，畢竟平時使用的就是Win10。而Windows的安裝方法當前也越來越簡單，將安裝包刻錄到U盤裏（使用UltraISO），然後在BIOS或UEFI啓動順序設置中將U盤設置爲優先啓動後，根據提示指引安裝即可，此處不贅述。
在既有的Win10上，需要做一件事情，以便後續安裝Ubuntu：進入“磁盤管理”後，將硬盤壓縮出50G左右，作爲“未使用”的空白盤。注意：1、如果有雙硬盤（固態+機械），則可選擇將固態硬盤壓縮出一些空間，作爲Ubuntu的boot空間（開機會快一點）。2、考慮到要處理大量圖像數據，最好將硬盤留大一點，比如我預留了500G空間未使用。
第二步：準備安裝Ubuntu18.04。
基本和安裝Win10類似，從官網獲取Ubuntu18.04後，將安裝包刻錄到U盤裏（使用UltraISO，具體操作請自行百度，有很多製作系統安裝盤的教程），然後在BIOS或UEFI啓動順序設置中將U盤設置爲優先啓動後，選擇“Install Ubuntu”後，進入安裝指引。其中有一步會提示“是否與Win10共存”，這一步很關鍵，如果沒有出現這個提示，之前的步驟會是有問題的。當然，此處我們選擇“Other/其他”，以便進行自定義安裝。
第三步：Ubuntu安裝分區設置。
根據安裝引導提示，將會進入分區設置界面。分區其實不難，關鍵是把握4個分區：主分區/，交換分區swap，引導分區boot，和用戶分區home。選擇之前預留的空白空間後，進行如下操作。
創建主分區/。主分區相當於系統盤，建議分配10G左右空間。選擇主分區、Ext4、和掛載點/。
創建交換分區swap。交換分區將被當成內存使用，建議設置爲物理內存同樣大小。選擇邏輯分區、交換空間。
創建引導分區boot。引導分區是用來開機引導的，建議500M左右，另外可創建在固態硬盤裏。選擇邏輯分區、Ext4、和掛載點/boot。
創建用戶分區home。這裏是平時工作的地方，主要是存儲數據。選擇邏輯分區、Ext4、和掛載點/home。
之後根據提示完成安裝即可。
Ubuntu系統安裝顯卡驅動
安裝好Ubuntu後，發現分辨率比較低，而且操作比較卡頓，直覺告訴我是顯卡驅動的問題。博主顯卡是RTX 2080Ti，於是立刻到NVIDIA官網（https://www.geforce.com/drivers）下載了個相應的顯卡驅動：NVIDIA-Linux-x86_64-418.56.run（請根據自己的顯卡和當前驅動更新發布情況選擇適當的驅動版本）。
安裝前需要禁用系統默認的顯卡驅動，如下操作。
打開系統黑名單：
sudo gedit /etc/modprobe.d/blacklist.conf
在文件末尾加入這幾行：
# for nvidia display device install
blacklist vga16fb
blacklist nouveau
blacklist rivafb
blacklist rivatv
blacklist nvidiafb
保存，然後更新initramfs:
sudo update-initramfs -u
重啓電腦後，輸入命令查看是否禁用成功：
lsmod | grep nouveau
無輸出則說明禁用成功。
接下來進行驅動安裝。首先需要將安裝文件的權限提升到最高：
sudo chmod 777 NVIDIA-Linux-x86_64-418.56.run
然後運行安裝程序：
sudo ./NVIDIA-Linux-x86_64-418.56.run
如果安裝過程中遇到錯誤如未找到gcc或make，那麼安裝好這些必要的程序後再重新運行安裝顯卡驅動。
顯卡驅動安裝好後，重新啓動電腦，發現分辨率正常了，找到“設置”→“詳細”，發現顯示了RTX 2080Ti。說明顯卡驅動安裝成功。
檢測顯卡的另一個方法，運行命令：nvidia-smi。
安裝Anaconda
目前pyTorch搭建IDE比較推薦Anaconda。至官網下載Linux64位版本的Anaconda安裝包（博主下載的是Anaconda3-5.2.0-Linux-x86_64.sh）。將該文件權限提升到最高：
sudo chmod 777 Anaconda3-5.2.0-Linux-x86_64.sh
然後sudo運行安裝即可。
安裝成功後，在Terminal中輸入jupyter notebook，即可在瀏覽器中打開notebook操作界面。
注意：若官網下載Anaconda太慢的話，可以從清華鏡像平臺上下載：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
安裝pyTorch和相應CUDA
這部分可以參考官網的指導“get-started”：https://pytorch.org/get-started/locally/
理論上這一步可以直接運行官網推薦的命令進行安裝的（以CUDA9.0爲例）：
conda install pytorch torchvision cudatoolkit=9.0 -c pytorch
安裝成功後，可以在notebook中使用一下代碼進行測試：
from __future__ import print_function
import torch
x = torch.rand(5, 3)
print(x)
應該輸出類似於以下的結果：
tensor([[0.3380, 0.3845, 0.3217],
[0.8337, 0.9050, 0.2650],
[0.2979, 0.7141, 0.9069],
[0.1449, 0.1132, 0.1375],
[0.4675, 0.3947, 0.1426]])
另外，測試cuda：
import torch
torch.cuda.is_available()
如果輸出True，就說明安裝一切安裝成功了。
但是如果安裝失敗，可以嘗試手動安裝這些組件：CUDA、cuDNN、pyTorch。
CUDA安裝包下載地址：https://developer.nvidia.com/cuda-downloads
cuDNN安裝包下載地址：https://developer.nvidia.com/rdp/cudnn-download
pyTorch建議命令安裝：conda install pytorch
主要CUDA與cuDNN需要安裝互相兼容的版本，官網上可找到其兼容性的相關說明。CUDA下載的最後一步選擇“runfile(local)”
博主在手動安裝CUDA時搗鼓了很久，本來想裝CUDA10.1，但是進入安裝界面後，如果選擇“不安裝驅動”（顯卡驅動之前已經安裝過了啊），就會報錯“需要在安裝驅動基礎上進行後續安裝”；而如果選擇“安裝驅動”，就會出現“假的安裝成功”。之後卸載當前的顯卡驅動後，再進行安裝，會出現“近似的安裝成功”（/usr/local目錄下出現了cuda10.1的目錄，但是其實似乎沒完全安裝）。但是重啓後，發現驅動還是沒有，於是又重新裝了一次顯卡驅動。另外，據說還可能出現gcc版本和CUDA不兼容，可能需要將gcc降級處理（兼容信息同樣可以在官網CUDA兼容說明中找到，如：https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html）。
手動安裝容易出各種問題，還是建議儘量使用命令：conda install pytorch torchvision cudatoolkit=9.0 -c pytorch，直接搞定。
另外，有篇博客也對此進行了總結，可以參考：Ubuntu18.04下安裝深度學習框架Pytorch（GPU加速）
其他參考內容：
在Ubuntu 18.04系統中安裝RTX 2080Ti顯卡驅動的方法
至此，安裝結束。現在啓用cuda跑一跑你的CNN訓練，不出意外的話，訓練速度瞬間將得到顯著的提升。繼續努力吧！