cuDNN（CUDA Deep Neural Network），官网：
https://developer.nvidia.com/cudnn
安装
相比标准的cuda，它在一些常用的神经网络操作上进行了性能的优化，比如卷积，pooling，归一化，以及激活层等等。
在理解上面这段的基础上，我们可以猜测配置cuDNN时是要对cuda进行一些修改，所以我们要先安装cuda。cuDNN下载需要注册，这个过程耐心点也很快。下面以ubuntu为例说明如何配置cuDNN进行神经网络的加速。


1. 下载cuDNN压缩包
2. 解压
tar -zxvf cudnn-7.0-linux-x64-v3.0-prod.tgz
3. 拷贝
解压后会看到一个cuda文件夹，里面包含了include以及lib64两个子目录。将这两个文件夹里的文件复制到cuda对应的安装目录。这里以cuda的安装目录为/usr/local/cuda/为例：
sudo cp cuDNN/cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuDNN/cuda/lib64/* /usr/local/cuda/lib64
注意：要加sudo，为了获取权限。
4. 链接
#下面的操作在/usr/local/cuda/lib64/目录下进行
sudo rm -rf libcudnn.so libcudnn.so.7.0#删除两个符号链接；
sudo ln -s libcudnn.so.7.0.64 libcudnn.so.7.0
sudo ln -s libcudnn.so.7.0 libcudnn.so
使用
在编译caffe（或者其他深度学习库）时，只需要在make的配置文件Makefile.config中将USE_CUDNN取消注释即可。

转自https://blog.csdn.net/lucifer_zzq/article/details/76675239
为什么需要安装cudnn
cuDNN的全称为NVIDIA CUDA® Deep Neural Network library，是NVIDIA专门针对深度神经网络（Deep Neural Networks）中的基础操作而设计基于GPU的加速库。cuDNN为深度神经网络中的标准流程提供了高度优化的实现方式，例如convolution、pooling、normalization以及activation layers的前向以及后向过程。
cuDNN只是NVIDIA深度神经网络软件开发包中的其中一种加速库。想了解NVIDIA深度神经网络加速库中的其他包请戳链接https://developer.nvidia.com/deep-learning-software。
各深度学习框架安装cuDNN需知
基本上所有的深度学习框架都支持cuDNN这一加速工具，例如：Caffe、Caffe2、TensorFlow、Torch、Pytorch、Theano等。
Caffe可以通过修改Makefile.config中的相应选项来修改是否在编译Caffe的过程中编译cuDNN，如果没有编译cuDNN的话，执行一些基于Caffe这一深度学习框架的程序速度上要慢3-5倍（Caffe官网上说不差多少，明明差很多嘛）。Caffe对cuDNN的版本不是很严格，只要大于cuDNN 4就可以。
TensorFlow目前的版本r1.2，强行要求装cuDNN，而且对版本也有相应的限制（cuDNN 5.1）。不过就官方说明看，TensorFlow将在下一个版本r1.3中加入对cuDNN 6.0的支持。
Torch通过LuaJit可以自动检测目前系统中的cuDNN版本来进行相应的编译（如没有cuDNN，也可在进行Torch的安装）。
如何安装cudnn
首先说一下网上大多数中文安装cuDNN教程的错误方式，这种方式真的坑人无数。
简单地说网上的大多错误的安装cuDNN的方式都是将下载后的cuDNN压缩包解压。然后再将cudnn的头文件（cuda/include目录下的.h文件）复制到cuda安装路径的include路径下，将cudnn的库文件（cuda/lib64目录下的所有文件）复制到cuda安装路径的lib64路径下。这种方法如果不重置cuDNN相应的符号链接的话是不能成功的安装cuDNN的。
下面我们说一下正确的安装cuDNN方式，其实跟着官方安装说明进行安装就可以了。
从https://developer.nvidia.com/cudnn上下载cudnn相应版本的压缩包（可能需要注册或登录）。
如果这个压缩包不是.tgz格式的，把这个压缩包重命名为.tgz格式。解压当前的.tgz格式的软件包到系统中的任意路径（这个路径很重要，以下将该路径的绝对路径简称为/your/path/to/cudnn），解压后的文件夹名为cuda，文件夹中包含两个文件夹：一个为include，另一个为lib64。 
 例如：我将这个压缩包解压在了/usr/local目录下，那么该文件的绝对路径为/usr/local/cuda
将解压后的文件中的lib64文件夹关联到环境变量中。这一步很重要。
   cd ~
   sudo gedit .bashrc
1
2
在弹出的gedit文档编辑器（.bashrc中）中最后一行加入：
   export LD_LIBRARY_PATH=/your/path/to/cudnn/lib64:$LD_LIBRARY_PATH
1
其中/your/path/to/cudnn/lib64是指.tgz解压后的文件所在路径中的lib64文件夹。 
保存更改的文件后，紧接着：
   source .bashrc
1
再重启一下Terminal（终端），该步骤可以成功的配置cuDNN的Lib文件。
配置cuDNN的最后一步就是将解压后的cuDNN文件夹（一般该文件名为cuda）中的include文件夹（/your/path/to/cudnn/include）中的cudnn.h文件拷贝到/usr/local/cuda/include中，由于进入了系统路径，因此执行该操作时需要获取管理员权限。
打开终端，进入/your/path/to/cudnn/include。其中/your/path/to/cudnn/include指的是.tgz解压后的文件所在路径中的include文件夹。例如：
   cd cuda/include
   sudo cp *.h /usr/local/cuda/include
之后，再重置cudnn.h文件的读写权限：
   sudo chmod a+r /usr/local/cuda/include

原文博客：Doi技术团队

链接地址：https://blog.doiduoyi.com/authors/1584446358138

初心：记录优秀的Doi技术团队学习经历

目录
文章目录
目录
前言
安装显卡驱动
禁用nouveau驱动
下载驱动
卸载旧驱动
安装新驱动
卸载CUDA
安装CUDA
下载和安装CUDA
测试安装是否成功
下载和安装CUDNN
测试安装结果
参考资料

前言
最近在学习PaddlePaddle在各个显卡驱动版本的安装和使用，所以同时也学习如何在Ubuntu安装和卸载CUDA和CUDNN，在学习过程中，顺便记录学习过程。在供大家学习的同时，也在加强自己的记忆。本文章以卸载CUDA 8.0 和 CUDNN 7.05 为例，以安装CUDA 10.0 和 CUDNN 7.4.2 为例。
安装显卡驱动
禁用nouveau驱动
sudo vim /etc/modprobe.d/blacklist.conf

在文本最后添加：
blacklist nouveau
options nouveau modeset=0

然后执行：
sudo update-initramfs -u

重启后，执行以下命令，如果没有屏幕输出，说明禁用nouveau成功：
lsmod | grep nouveau

下载驱动
官网下载地址：https://www.nvidia.cn/Download/index.aspx?lang=cn ，根据自己显卡的情况下载对应版本的显卡驱动，比如笔者的显卡是RTX2070：


下载完成之后会得到一个安装包，不同版本文件名可能不一样：
NVIDIA-Linux-x86_64-410.93.run

卸载旧驱动
以下操作都需要在命令界面操作，执行以下快捷键进入命令界面，并登录：
Ctrl-Alt+F1

执行以下命令禁用X-Window服务，否则无法安装显卡驱动：
sudo service lightdm stop

执行以下三条命令卸载原有显卡驱动：
sudo apt-get remove --purge nvidia*
sudo chmod +x NVIDIA-Linux-x86_64-410.93.run
sudo ./NVIDIA-Linux-x86_64-410.93.run --uninstall

安装新驱动
直接执行驱动文件即可安装新驱动，一直默认即可：
sudo ./NVIDIA-Linux-x86_64-410.93.run

执行以下命令启动X-Window服务
sudo service lightdm start

最后执行重启命令，重启系统即可：
reboot

注意： 如果系统重启之后出现重复登录的情况，多数情况下都是安装了错误版本的显卡驱动。需要下载对应本身机器安装的显卡版本。
卸载CUDA
为什么一开始我就要卸载CUDA呢，这是因为笔者是换了显卡RTX2070，原本就安装了CUDA 8.0 和 CUDNN 7.0.5不能够正常使用，笔者需要安装CUDA 10.0 和 CUDNN 7.4.2，所以要先卸载原来的CUDA。注意以下的命令都是在root用户下操作的。
卸载CUDA很简单，一条命令就可以了，主要执行的是CUDA自带的卸载脚本，读者要根据自己的cuda版本找到卸载脚本：
sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl

卸载之后，还有一些残留的文件夹，之前安装的是CUDA 8.0。可以一并删除：
sudo rm -rf /usr/local/cuda-8.0/

这样就算卸载完了CUDA。
安装CUDA
安装的CUDA和CUDNN版本：

CUDA 10.0
CUDNN 7.4.2

接下来的安装步骤都是在root用户下操作的。
下载和安装CUDA
我们可以在官网：CUDA10下载页面，

下载符合自己系统版本的CUDA。页面如下：


下载完成之后，给文件赋予执行权限：
chmod +x cuda_10.0.130_410.48_linux.run

执行安装包，开始安装：
./cuda_10.0.130_410.48_linux.run

开始安装之后，需要阅读说明，可以使用Ctrl + C直接阅读完成，或者使用空格键慢慢阅读。然后进行配置，我这里说明一下：
（是否同意条款，必须同意才能继续安装）
accept/decline/quit: accept

（这里不要安装驱动，因为已经安装最新的驱动了，否则可能会安装旧版本的显卡驱动，导致重复登录的情况）
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48?
(y)es/(n)o/(q)uit: n

Install the CUDA 10.0 Toolkit?（是否安装CUDA 10 ，这里必须要安装）
(y)es/(n)o/(q)uit: y

Enter Toolkit Location（安装路径，使用默认，直接回车就行）
 [ default is /usr/local/cuda-10.0 ]:  

Do you want to install a symbolic link at /usr/local/cuda?（同意创建软链接）
(y)es/(n)o/(q)uit: y

Install the CUDA 10.0 Samples?（不用安装测试，本身就有了）
(y)es/(n)o/(q)uit: n

Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...（开始安装）

安装完成之后，可以配置他们的环境变量，在vim ~/.bashrc的最后加上以下配置信息：
export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}

最后使用命令source ~/.bashrc使它生效。
可以使用命令nvcc -V查看安装的版本信息：
test@test:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sat_Aug_25_21:08:01_CDT_2018
Cuda compilation tools, release 10.0, V10.0.130

测试安装是否成功
执行以下几条命令：
cd /usr/local/cuda-10.0/samples/1_Utilities/deviceQuery
make
./deviceQuery

正常情况下输出：
./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce RTX 2070"
  CUDA Driver Version / Runtime Version          10.0 / 10.0
  CUDA Capability Major/Minor version number:    7.5
  Total amount of global memory:                 7950 MBytes (8335982592 bytes)
  (36) Multiprocessors, ( 64) CUDA Cores/MP:     2304 CUDA Cores
  GPU Max Clock rate:                            1620 MHz (1.62 GHz)
  Memory Clock rate:                             7001 Mhz
  Memory Bus Width:                              256-bit
  L2 Cache Size:                                 4194304 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  1024
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 3 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device supports Compute Preemption:            Yes
  Supports Cooperative Kernel Launch:            Yes
  Supports MultiDevice Co-op Kernel Launch:      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.0, CUDA Runtime Version = 10.0, NumDevs = 1
Result = PASS

下载和安装CUDNN
进入到CUDNN的下载官网：https://developer.nvidia.com/rdp/cudnn-download ，然点击Download开始选择下载版本，当然在下载之前还有登录，选择版本界面如下，我们选择cuDNN Library for Linux：


下载之后是一个压缩包，如下：
cudnn-10.0-linux-x64-v7.4.2.24.tgz 

然后对它进行解压，命令如下：
tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz 

解压之后可以得到以下文件：
cuda/include/cudnn.h
cuda/NVIDIA_SLA_cuDNN_Support.txt
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.7
cuda/lib64/libcudnn.so.7.4.2
cuda/lib64/libcudnn_static.a

使用以下两条命令复制这些文件到CUDA目录下：
cp cuda/lib64/* /usr/local/cuda-10.0/lib64/
cp cuda/include/* /usr/local/cuda-10.0/include/

拷贝完成之后，可以使用以下命令查看CUDNN的版本信息：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

测试安装结果
到这里就已经完成了CUDA 10 和 CUDNN 7.4.2 的安装。可以安装对应的Pytorch的GPU版本测试是否可以正常使用了。安装如下：
pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.0-cp35-cp35m-linux_x86_64.whl
pip3 install torchvision

然后使用以下的程序测试安装情况：
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torch.backends.cudnn as cudnn
from torchvision import datasets, transforms


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)


def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))

def main():
    cudnn.benchmark = True
    torch.manual_seed(1)
    device = torch.device("cuda")
    kwargs = {'num_workers': 1, 'pin_memory': True}
    train_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=True, download=True,
                       transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
        batch_size=64, shuffle=True, **kwargs)

    model = Net().to(device)
    optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

    for epoch in range(1, 11):
        train(model, device, train_loader, optimizer, epoch)


if __name__ == '__main__':
    main()


如果正常输出一下以下信息，证明已经安装成了：
Train Epoch: 1 [0/60000 (0%)]	Loss: 2.365850
Train Epoch: 1 [640/60000 (1%)]	Loss: 2.305295
Train Epoch: 1 [1280/60000 (2%)]	Loss: 2.301407
Train Epoch: 1 [1920/60000 (3%)]	Loss: 2.316538
Train Epoch: 1 [2560/60000 (4%)]	Loss: 2.255809
Train Epoch: 1 [3200/60000 (5%)]	Loss: 2.224511
Train Epoch: 1 [3840/60000 (6%)]	Loss: 2.216569
Train Epoch: 1 [4480/60000 (7%)]	Loss: 2.181396

参考资料

https://developer.nvidia.com
https://www.cnblogs.com/luofeel/p/8654964.html


                        
                        
深度学习与PyTorch实战
                    

ubuntu 18.04 安装GPU +CUDA+cuDNN ：

目前，大多情况下，能搜到的基本上都ubuntu 14.04.或者是ubuntu 16.04的操作系统安装以及GPU 环境搭建过程，博主就目前自身实验室环境进行分析，总结一下安装过程。

1.实验室硬件配置（就需要而言）：

        gpu : GeForce titan xp   12G 显存

        内存： 64G

        硬盘 ：512 SDD +2T 机械 

        主板： 微星 x299 SLI PLUS 

    就配置而言，唯一有遗憾的就是主板，微星主板安装ubuntu 各种报小毛病，打电话给微星客服，客服说，这块主板供应商只在window 10 环境下进行过测试，但是，LINUX 系统，不知道行不行得通，让我自己想办法解决，-_-|| 。 此处还是建议要采购设备的主板选择技嘉或者华硕的，注意看主板是否支持安装linux操作系统。

2 .ubuntu18.04 系统安装

首先，建议制作U盘启动盘（点击此处）进行安装，安装时需要设定主板 grub+legacy方式（重启进bios，boot项里面的），博主在安装系统时，尝试安装了各种版本的ubuntu系统，包括14.01、14.03、16.01、16.03、16.04，均未成功，所有的问题，都是，系统安装到一半，直接就报错，无法安装，在网上查找了许久，据说是显卡的问题导致的，有相关文档说，18.04版本可以避免这个问题。于是，尝试安装ubuntu18.04版本，OK ，按照大神推荐的双硬盘分配方案（点击此处）进行安装配置。安装成功。

大家在安装好系统后，要记得更新源。

3.安装GPU（针对ubuntu18.04）

进入系统后，系统默认是使用主板上的集成显卡，那么，我们需要做的事就是安装上自己的独立显卡，也就是titan xp的驱动，网上有3中安装方法，给大家推荐一下，可以收藏一下如何安装NVIDIA显卡（点击此处）。

此处给大家示范其中一个方法（自己的显卡对应自己的信息，以下只是示例）：

具备条件：root权限进行操作

修改root密码：

1.  $ sudo passwd    输入两次新密码

2.  $ su root       登陆 root账户

显卡驱动安装：

step .1：首先，检测你的NVIDIA图形卡和推荐的驱动程序的模型。执行命令：

 


 

$ ubuntu-drivers devices

输出结果为：

== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 ==
modalias : pci:v000010DEd00001180sv00001458sd0000353Cbc03sc00i00
vendor   : NVIDIA Corporation
model    : GK104 [GeForce GTX 680]
driver   : nvidia-304 - distro non-free
driver   : nvidia-340 - distro non-free
driver   : nvidia-384 - distro non-free recommended
driver   : xserver-xorg-video-nouveau - distro free builtin

== cpu-microcode.py ==
driver   : intel-microcode - distro free

从中可以看到，这里有一个设备是GTX 680 ，对应的驱动是NVIDIA -304,340,384 ，而推荐是安装384版本的驱动。

step.2，安装驱动

你可以选择，安装所有推荐的驱动，如下命令

 

$ sudo ubuntu-drivers autoinstall

你也可以选择，只安装其中一个驱动，命令如下

 

$ sudo apt install nvidia-340

OK 驱动安装完成，重新启动，查看系统配置---》详细信息---》关于   ，图形处理是否对应于自己的独立显卡。

 

4.安装CUDA（针对18.04）

安装CUDA 这里需要注意;

咱们需要根据cuDNN 来选择，如图，首先，cuda只能支持17.04,16.04的ubuntu 下载安装，但，实际上，有点类似于word一样（高版本word能打开低版本的word文件 .）18.04版本的系统，能够安装16.04版本对应的CUDA。



目前cuda 最高版本为9.2，且只支持 16.04,17.04 这两个系统，而且，我们安装完CUDA 之后还需要安装cuDNN。

那么cuDNN 的版本又有什么选择呢，如下





首先，根据cuDNN 的版本，目前，较为完善的，是cuDNN v7.0.5 ,其适用于 CUDA 9.1 版本，所以，咱们在选择安装cuda的时候，选择 CUDA 9.1。下载地址



按下图进行选择



对应的有一下四个文件，需要统统下载，第一个是主文件，后3个相当于补丁。



开始安装：

step .1  GCC 降级

由于CUDA 9.0仅支持GCC 6.0及以下版本，而Ubuntu 18.04预装GCC版本为7.3，

故手动进行降级：

 


sudo apt-get install gcc-4.8

sudo apt-get install g++-4.8


装完后进入到/usr/bin目录下

  $ls -l gcc* 

会显示以下结果


lrwxrwxrwx 1 root root 7th May 16 18:16 /usr/bin/gcc -> gcc-7.3


发现gcc链接到gcc-7.0, 需要将它改为链接到gcc-4.8，方法如下:


sudo mv gcc gcc.bak #备份

sudo ln -s gcc-4.8 gcc #重新链接


同理，对g++也做同样的修改：


ls -l g++*

lrwxrwxrwx 1 root root 7th May 15:17 g++ -> g++-7.3


需要将g++链接改为g++-4.8:


sudo mv g++ g++.bak

sudo ln -s g++-4.8 g++


再查看gcc和g++版本号：


gcc -v g++ -v


均显示gcc version 4.8 ，说明gcc 4.8安装成功。

step. 2 安装cuda ,及其补丁

输入命令安装Base Installer：

sudo sh cuda_9.1.85_387.26_linux.run

需要注意的是，之前已经安装过显卡驱动程序，故在提问是否安装显卡驱动时选择no,其他 选择默认路径或者yes即可。

然后，继续执行以下操作安装3个 patch ：

 

sudo sh cuda_9.1.85.1_linux.run

sudo sh cuda_9.1.85.2_linux.run

sudo sh cuda_9.1.85.3_linux.run

安装完毕之后，将以下两条加入.bashrc文件中.

sudo vim ~/.bashrc

export PATH=/usr/local/cuda-9.1/bin${PATH:+:$PATH}}      #注意，根据自己的版本，修改cuda-9.2/9.0...

export LD_LIBRARY_PATH=/usr/local/cuda-9.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} #注意，根据自己的版本，修改cuda-9.2/9.0...

 

OK ,那么，到这一步，cuda 就安装完成了

 

 

 

5.安装cuDNN（针对18.04）

cuDNN 的安装，就是将 cuDNN 包内的文件，拷贝到cuda文件夹中即可。

step.1按照第四点分析的内容，我们需要下载的cuDNN 版本为



cuDNN v7.0.0 library for liunx，下载地址（需要注册才能进行下载）

下载完毕后，切到默认的Downloads文件夹，可以看到 cudnn-9.1-linux-x64-v7.tgz 压缩包

先解压，然后将其中的内容复制到CUDA安装文件夹里面.

step.2 复制cuDNN内容到cuda相关文件夹内

sudo cp cuda/include/cudnn.h    /usr/local/cuda/include      注意，解压后的文件夹名称为cuda ,将对应文件复制到 /usr/local中的cuda内

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

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

到此处，所以的安装就完成。

 

接下来就可以安装相应的软件，如：anaconda,pycharm tensorflow 等。