Content
一、前言
在深度学习领域，高效的计算资源对于模型训练和推理过程至关重要。NVIDIA CUDA Deep Neural Network library（cuDNN）作为一个GPU加速库，针对深度神经网络（DNN）的前向传播和反向传播提供高度优化的实现。通过利用NVIDIA GPU的强大计算能力，cuDNN显著加速了深度学习应用的运行速度，成为深度学习研究和开发中的重要组成部分。
cuDNN提供的高级接口标准化了在多种深度学习框架上构建GPU加速应用的过程。这意味着，无论是使用TensorFlow、PyTorch还是其他深度学习框架，cuDNN均能确保模型能够充分利用NVIDIA GPU的计算能力，实现最优性能。
本文将指导读者在Ubuntu 18.04操作系统上安装cuDNN版本8.9.6.50。通过遵循本文提供的步骤，可以顺利完成cuDNN的安装，为深度学习项目提供坚实的基础。文章旨在为深度学习研究者和开发者提供一个清晰、简洁的安装指南，帮助他们无缝开始或继续深度学习的研究与开发工作。
二、准备工作
在开始安装cuDNN 8.9.6.50之前，需要进行一些准备工作以确保安装过程顺利进行。本节将指导完成这些必要的前期准备步骤。
- 确保安装了NVIDIA CUDA Toolkit 11.8 cuDNN是建立在CUDA技术之上的，因此要求系统中已安装兼容版本的CUDA Toolkit。对于cuDNN 8.9.6.50，需要安装CUDA Toolkit 11.8。可以通过以下命令在终端中检查CUDA版本：
nvcc --version
如果系统尚未安装CUDA Toolkit 11.x，可以通过访问NVIDIA官网下载安装包或使用适用于Ubuntu的包管理器进行安装。确保遵循NVIDIA提供的官方安装指南来安装CUDA Toolkit。
- 确认系统架构 cuDNN和CUDA Toolkit的安装包分为不同的架构版本，如x86_64（通常称为amd64）、arm64等。本文档以amd64架构为例，这是目前最常见的个人电脑和服务器架构之一。可以通过执行以下命令来确认您的系统架构：
uname-m
如果输出是x86_64，则表示系统是amd64架构。这是安装适用于大多数现代个人电脑和服务器的cuDNN版本的前提。
完成上述两项准备工作后，即可继续进行cuDNN的安装过程。这些步骤确保了安装环境的正确配置，为cuDNN的顺利安装打下了坚实的基础。
三、安装步骤
进行cuDNN安装之前，确保已完成准备工作，包括确认系统已安装NVIDIA CUDA Toolkit 11.8并且系统架构为amd64。以下是cuDNN 8.9.6.50安装过程的详细步骤。
1. 启用本地仓库
首先，需要将cuDNN的本地仓库包安装到系统中。这可以通过dpkg命令完成。假定cuDNN的.deb安装包已下载到本地，并位于当前目录下：
sudo dpkg -i cudnn-local-repo-ubuntu1804-8.9.6.50_1.0-1_amd64.deb
此命令将安装本地仓库，使得通过APT包管理器安装cuDNN相关包成为可能。
2. 导入CUDA GPG密钥
为确保安装包的安全性，接下来需要导入CUDA GPG密钥到系统的密钥环中。这一步骤确认了包的真实性和完整性：
sudocp /var/cudnn-local-repo-ubuntu1804-8.9.6.50/cudnn-local-A48BB858-keyring.gpg /usr/share/keyrings/
通过导入GPG密钥，系统能够验证从本地仓库安装的软件包是经过NVIDIA官方签名的。
3. 更新仓库元数据
安装本地仓库包并导入GPG密钥后，需要更新APT的仓库元数据，以确保APT能够识别新添加的仓库：
sudoapt update
此命令刷新APT的包列表，准备安装新的软件包。
4. 安装运行时库
接下来，安装cuDNN的运行时库。这是运行基于cuDNN开发的应用程序所必需的：
sudoaptinstall libcudnn8
如果需要安装特定版本的cuDNN运行时库，可以指定版本号：
sudoaptinstalllibcudnn8=8.9.6.50+cuda11.8
5. 安装开发者库
为了开发基于cuDNN的应用，还需要安装开发者库：
sudoaptinstall libcudnn8-dev
同样，指定版本号安装也是可能的：
sudoaptinstall libcudnn8-dev=8.9.6.50+cuda11.8
安装开发者库后，开发者可以在自己的应用程序中直接使用cuDNN API进行深度学习模型的开发和优化。
6. 安装代码示例
最后，安装cuDNN代码示例可以帮助开发者快速了解如何使用cuDNN API：
sudoaptinstall libcudnn8-samples
示例代码位于/usr/src/cudnn_samples_v8目录下，通过编译和运行这些示例，开发者可以验证cuDNN安装是否成功，同时学习如何在自己的应用中使用cuDNN。
以上步骤完成了cuDNN 8.9.6.50在Ubuntu 18.04系统上的安装过程，为深度学习项目的开发提供了强大的工具和库。
7. 另外一种安装办法
在启用本地仓库并导入CUDA GPG密钥后，在
/var/cudnn-local-repo-ubuntu1804-8.9.6.50
有上面三个的deb安装文件，直接通过
sudo dpkg -i
安装即可。
四、验证安装
安装完成后，验证cuDNN是否正确安装至关重要。以下步骤将帮助确认cuDNN库已成功安装并且能够在系统上正常工作。
1. 验证cuDNN版本
首先，可以通过查询已安装的libcudnn8包来验证cuDNN的版本。在终端中执行以下命令：
apt show libcudnn8
此命令将显示已安装的cuDNN运行时库的详细信息，包括版本号。确认显示的版本号与预期安装的cuDNN版本（8.9.6.50）相匹配。
2. 测试示例代码
cuDNN安装包中包含示例代码，可以用于验证安装。这些示例展示了cuDNN功能的基本用法，是检查cuDNN是否正确安装和配置的好方法。
编译示例代码： 首先，导航到包含cuDNN示例代码的目录。如果已安装libcudnn8-samples，示例代码通常位于
/usr/src/cudnn_samples_v8/
目录下。编译示例代码前，需要复制该目录到用户的家目录下，避免权限问题：
cp-r /usr/src/cudnn_samples_v8/ ~/cudnn_samples_v8
cd ~/cudnn_samples_v8/mnistCUDNN
sudomake clean &&sudomake
这将编译mnistCUDNN示例，一个演示如何使用cuDNN进行数字识别的小程序。
运行示例代码： 编译成功后，运行编译好的示例程序：
./mnistCUDNN
如果cuDNN安装正确，此程序将成功运行，通常会输出识别准确率或其他成功执行的指标。
运行示例代码不仅验证了cuDNN库的安装，也展示了如何在实际应用中使用cuDNN进行深度学习计算。如果示例程序运行成功，表示cuDNN已正确安装在系统上，准备好支持深度学习应用的开发和运行。
五、总结
本文详细介绍了在Ubuntu 18.04系统上安装cuDNN 8.9.6.50版本的步骤，从准备工作到安装过程，再到验证安装的完成，每一步都旨在确保用户能够顺利完成cuDNN的安装。通过启用本地仓库、导入CUDA GPG密钥、更新仓库元数据、安装运行时库、开发者库及代码示例，用户可以为深度学习项目搭建起强大的计算基础。
验证安装过程通过编译和运行cuDNN提供的示例代码，帮助用户确认cuDNN库已成功安装并可用。这一步骤不仅确保了安装的正确性，也为用户提供了如何在实际项目中使用cuDNN的初步经验。
cuDNN是深度学习研究和应用中不可或缺的工具，能够显著提升基于NVIDIA GPU的计算效率。正确安装并配置cuDNN，对于开发高效、可靠的深度学习模型至关重要。希望本文能够为需要在Ubuntu系统上安装cuDNN的开发者提供清晰、有用的指导，帮助他们顺利开始或继续他们的深度学习项目。
版权归原作者 梦想的理由 所有， 如有侵权，请联系我们删除。