悠悠楠杉
网站页面
Ubuntu18.04下Root用户多版本CUDA与cuDNN共存配置指南
07/18
一、为什么需要多版本CUDA共存？
在深度学习开发中，不同框架对CUDA版本的要求可能截然不同。例如：
- TensorFlow 1.x系列通常需要CUDA 9.2
- PyTorch较新版本则依赖CUDA 10.2+
- 企业生产环境中的遗留项目可能锁定特定版本
作为Root用户，我们需要在系统中建立灵活的版本管理方案，而非简单的覆盖安装。以下是经过实际验证的解决方案。
二、前期准备与注意事项
1. 系统环境检查
bash
查看当前GPU驱动兼容性
nvidia-smi --query-gpu=driver_version --format=csv
清理已有CUDA（如有）
apt-get purge '^cuda-.*'
关键点:
- NVIDIA驱动版本需支持目标CUDA（如470+驱动支持CUDA 10.2）
- 建议使用官方runfile安装方式避免依赖冲突
2. 下载必要安装包
从NVIDIA官网获取：
- cuda9.2.148396.37linux.run
- cuda10.2.89440.33.01linux.run
- 对应版本的cuDNN Library（需注册账号）
三、分步安装流程
1. CUDA 9.2安装（示范案例）
bash
chmod +x cuda_9.2.148_396.37_linux.run
./cuda_9.2.148_396.37_linux.run --silent --toolkit --override
安装时特别注意：
- 不安装驱动（除非需要降级）
- 自定义安装路径为/usr/local/cuda-9.2
2. CUDA 10.2并行安装
bash
./cuda_10.2.89_440.33.01_linux.run --silent --toolkit --override
选择不同安装路径：/usr/local/cuda-10.2
3. cuDNN配置技巧
解压cuDNN包后使用硬链接节省空间：
bash
tar -xzvf cudnn-9.2-linux-x64-v7.6.5.32.tgz
cp -lP cuda/include/* /usr/local/cuda-9.2/include/
cp -lP cuda/lib64/* /usr/local/cuda-9.2/lib64/
四、环境变量智能管理
推荐使用update-alternatives进行版本切换：
bash
update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-9.2 100
update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-10.2 200
验证切换效果：bash
update-alternatives --config cuda
选择后验证
nvcc --version
五、常见问题解决方案
1. 库文件冲突
若遇到libcudart.so冲突，可通过指定具体版本解决：
bash
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH
2. 多用户环境配置
在/etc/profile.d/cuda.sh中设置全局变量：bash
!/bin/bash
CUDAHOME=$(readlink /usr/local/cuda) export PATH=$CUDAHOME/bin:$PATH
六、最佳实践建议
- 版本隔离：为每个项目创建conda虚拟环境并绑定特定CUDA版本
- 日志追踪：安装时保留
/var/log/cuda-install.log排查问题 - 定期维护：每季度检查NVIDIA生命周期终止公告（如CUDA 9.2已停止维护）
实测数据：在RTX 2080 Ti上，CUDA 10.2相比9.2在ResNet50训练中约有15%的性能提升，但某些传统算法库需要9.2的兼容性支持。
