51工具盒子我们之前测试了在Windows系统如何安装Tesla M4 （成了！Tesla M4+Windows 10+Anaconda+CUDA 11.8+cuDNN+Python 3.11） ，前面安装好了Ubuntu 22.04.4的操作系统 （Ubuntu 22.04.4安装Docker引擎） 。今天，简单测试一下在Ubuntu系统上如何把新买的Tesla P4用起来。首先，我们到NVIDIA官网找到Ubuntu 22.04对应的驱动，下载下来。
这里可以看到，基本上数据中心GPU的驱动都是通用的，从最低端的Tesla M4，到最高端的H系列和L系列，一个驱动文件通杀了。驱动文件的现在链接如下： https://cn.download.nvidia.cn/tesla/550.54.15/nvidia-driver-local-repo-ubuntu2204-550.54.15_1.0-1_amd64.deb 下载完成后，对于deb文件，一般有两种安装方式：命令行或者GUI图形界面。GUI图形界面非常简单，只需要在文件管理器中找到下载好的.deb文件并双击运行即可，之后系统会自动调用软件安装程序。根据图形界面中显示的软件相关信息，点击 "安装" 按钮开始安装过程，直至安装完成。但对于我来讲，配置了GPU之后，控制台会因为缺少驱动卡在POST页面，所以还是需要先通过命令行方式来安装驱动。命令行方式主要使用dpkg命令进行安装，命令如下：
dpkg
-i
nvidia-driver-local-repo-ubuntu2204-560
.35
.03_1
.0-1_amd64
.deb
初次尝试安装时，系统可能会提示公钥（GPG key）未安装。为了能够信任NVIDIA提供的软件包仓库，我们需要执行以下命令，将NVIDIA的公钥复制到系统的keyrings目录下：
cp /var/nvidia-driver-
local
-repo-ubuntu2204-
560.35
.
03
/nvidia-driver-
local
-
73056
A76-keyring.gpg /usr/share/keyrings/
然后再次执行安装命令，此时，最新版本已经加载到本地仓库。
完成之后，运行以下命令更新软件包列表。
apt
update
接下来，使用以下命令来安装最新版本的NVIDIA驱动，指定版本号为550。
apt
install -y nvidia-driver-560
安装完毕后，执行reboot命令重启系统，让新安装的NVIDIA驱动生效。重启后，运行nvidia-smi命令，查看NVIDIA驱动是否加载成功。
nvidia-smi
如果在桌面进行查看，通过Nvidia X Server Setting可以看到设备信息的图形展示。
设备信息。
安装好了驱动程序，接下来，我们来安装CUDA。首先，安装实际情况选择CUDA的环境配置，如下图所示：
不太建议选择使用runfile文件，编译可能会遇到问题，报错太多，不好解决。按照提示，下载并安装deb程序，整体和安装驱动的过程类似。
wget
https:
/
/developer.download.nvidia.com/compute
/cuda/repos
/ubuntu2204/x
86_64/cuda-ubuntu2204.pin
mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-
600
wget
https:
/
/developer.download.nvidia.com/compute
.
2
/local_installers/cuda-repo-ubuntu2204-
12
`
6
-local_12.
6.2
560.35
.
03
1_
amd64.deb
dpkg -i cuda-repo-ubuntu2204-
12
6
-local_12.
6.2
560.35
.
03
1_
amd64.deb
`
安装CUDA套件。
cp /
var
/cuda-repo-ubuntu2204-
12
-
6
-local/cuda-*-keyring.gpg /usr/share/keyrings/
apt-
get
update
apt-
get
-y install cuda-toolkit-
12
-
6
CUDA提供了两种安装模式，传统内核的cuda-drivers和开发内核的nvidia-open。nvidia-open是NVIDIA提供的一种开源内核模块选项，适用于对图形性能要求不是极高，更注重软件开放性和兼容性的场景；cuda-drivers是NVIDIA的传统（闭源）驱动选项，用于支持CUDA技术，适用于需要进行高性能计算或专业图形处理的场景，这些场景对GPU的计算能力和高级图形功能有较高的要求。所以，我们本次选择安装传统内核模块cuda-drivers，执行以下命令：
apt-get
install
-y cuda-drivers
安装完成后，查看CUDA版本信息。
接下来，安装Anaconda。先下载安装脚本：
wget
https:
//repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh
然后赋予可执行权限并执行：
chmod
+
x
Anaconda3-2024
.10-1-Linux-x86_64
.sh
sh
Anaconda3-2024
.10-1-Linux-x86_64
.sh
按照提示完成安装。
默认情况下，Anaconda的Shell文件没有加载。
如果在上一步没有启用，在安装完成后，需要执行以下命令设置环境变量设置、激活Conda的Hook机制，并将conda集成到Shell的启动过程，之后就可以执行conda命令了。
/root/anaconda3/etc/profile.d/conda.sh
安装完成后，创建一个pytorch环境，并激活。
conda
create
--name pytorch python = 3.10
conda
activate
pytorch
然后就可以参照官网选项，获取安装命令了。
执行以下命令完成PyTorch环境部署
conda install pytorch torchvision torchaudio pytorch-cuda=
12.4
-
c
pytorch -
c
nvidia
安装完成后，我们执行以下命令检验GPU设备是否可用。
import
torch
<span class="hljs-keyword">
if
</span>
torch.cuda.is_available():
print(
<span class="hljs-string">
"GPU可用"
</span>
)
device_name = torch.cuda.get_device_name(
<span class="hljs-number">
0
</span>
)
print(
<span class="hljs-string">
"设备名称:"
</span>
, device_name)
&lt;span class=&quot;hljs-comment&quot;&gt;
# 获取GPU属性（显存大小）
&lt;/span&gt;
device_properties = torch.cuda.get_device_properties(
<span class="hljs-number">
0
</span>
)
print(
<span class="hljs-string">
"总显存大小:"
</span>
, device_properties.total_memory)
</code>
GPU设备检验成功，我们再运行一下矩阵运算，对比一下
import torch
import time
size = (
20000
,
20000
)
input_cpu = torch.randn(size)
input_gpu = input_cpu.to(torch.device(
'cuda'
))
# 在CPU上执行矩阵乘法（耗时操作）
start_time_cpu =
time
.
time
()
output_cpu = torch.mm(input_cpu, input_cpu.t())
duration_cpu =
time
.
time
() - start_time_cpu
# 在GPU上执行同样的操作
start_time_gpu =
time
.
time
()
output_gpu = torch.mm(input_gpu, input_gpu.t().to(torch.device(
'cuda'
)))
duration_gpu =
time
.
time
() - start_time_gpu
print(f
&amp;amp;amp;amp;quot;CPU矩阵乘法运行时间: {duration_cpu:.6f} 秒&amp;amp;amp;amp;quot;
)
print
(f
&amp;amp;amp;amp;quot;GPU矩阵乘法运行时间: {duration_gpu:.6f} 秒&amp;amp;amp;amp;quot;
)
CPU的运算时间是10.2秒，GPU的运算时间为0.035474，差了大约286倍。
