这东西有点麻烦，RTX3090还是很矫情的。
1. 安装ubuntu 20.04随便网上搜个教程就行，u盘制作启动盘，然后重启狂按del(看自己设备是哪个键)，通过u盘启动。
如果重装之后进不了BIOS,那么按照下面这篇博客的来：
解决安装 Ubuntu 后无法进入BIOS、UEFI 和Grub 引导
装好之后先给apt换个源
## 备份source cp /etc/apt/sources.list /etc/apt/sources.list.back ## 编辑换源，vim当然也行，如果有的话 vi /etc/apt/sources.list
把sources.list中的内容替换为:
deb http://mirrors.aliyun.com/ubuntu/ xenial main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ xenial-security main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ xenial-updates main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ xenial-proposed main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ xenial-backports main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ xenial main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ xenial-proposed main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ xenial-backports main restricted universe multiverse
然后：
sudo apt updatenet-tools、vim
下载一些必备的包：
sudo apt install net-tools sudo apt-get install vimssh
如果此台机器是服务器，后续有远程用自己pc机连服务器的需求，那么可以有这一步，否则也可以跳过这一步。
安装openssh
sudo apt-get install openssh-server
开启ssh：
service sshd start
之后的话可以通过其他pc机ssh远程连接该台机器进行后续的操作。具体而言，先使用ifconfig查看本机的ip地址：
然后在其他机器上用ssh usrname@10.XX.XX.XX 输入登录密码进去。
因为每次用ssh登陆的时候都要输一次密码还是比较麻烦，可以直接自己的pc机上生成密钥对，然后把公钥cp到服务器上：
ssh-keygen
之后可以输入你自己的秘钥，当然还是建议直接enter跳过，不然的话到时候连ssh其实还是要输密码…
ssh-copy-id XXX@10.XX.XX.XX
这样之后再用ssh连接远程主机的时候，这台机器就不用输密码。
cmake最后服务器上还得有个cmake：
可以用make -v检查一下有没有make,没有的话下面两种方法选一个安装：
- 直接apt-get：
sudo apt-get install make
- 离线安装：
wget http://ftp.gnu.org/pub/gnu/ncurses/ncurses-5.6.tar.gz tar zxvf ncurses-5.6.tar.gz cd ncurses-5.6 ./configure -prefix=/usr/local -with-shared -without-debug make make install
之后可以给实验室所有同学设置usr group和sudo权限，这里略过。
3. 安装显卡驱动这一步有点麻烦，自己也探索了好久，中间也难免重装了好几次系统(头疼.jpg)
先用如下命令查看设备属性：
ubuntu-drivers devices
如下为例，会有推荐的driver版本：
之后建议离线安装包安装，可以去nvidia官网下载对应的显卡驱动，如果网速太慢，可以去下面这个镜像站：
https://download.nvidia.com/XFree86/Linux-x86_64/470.86/
下载之后上传服务器(当然也可以在服务器上wget),然后运行安装：
bash NVIDIA-Linux-x86_64-470.86.run
注意，如果你是自己用的pc机，需要图形界面的话，这个地方必须加上参数--no-opengl-files，否则到时候机器一旦重启，你就无法进入图形界面；当然，如果是实验室大家用的服务器(都是用ssh登录，用不到图形界面)，那这个地方不加上也可以（笔者是如此）。
该参数的具体解释详见：Ubuntu 安装 cuda 时卡在登录界面（login loop)的解决方案之一
进入到安装界面(中间一些选择，默认就行)：
之后用nvidia-smi试试看有没有装好：
正常来说离线安装应该是没问题。
当然…可能会遇到很多奇奇怪怪的毛病，下面举几个自己遇到的：
bug 1. 没有禁用nouveau若是老老实实按照笔者上述流程来安装，这个bug必出现，莫慌！
其实网上几乎所有博客都是建议安装驱动前，先用各种方法把nouveau集成显卡驱动禁用。笔者这里之所以没有事先禁用是因为踩了坑(不知道为何，按照网上各种贴子禁用方法，修改/etc/modprobe.d/blacklist-nvidia-nouveau.conf之后重启，机器的网卡驱动就也会被莫名禁用，试了各种方法，没有解决)。
后来灵机一动，安装nvidia-driver的时候，若是没有事先禁用nouveau,那么安装程序会让你选择是否在etc目录下写一个文件来禁用nouveau。毫无疑问，这自己手动去改配置文件，肯定没有人家程序自动改来得靠谱啊。
所以，按照笔者上面的流程安装，必然会遇到安装过程中提示类似于"nouveau已经存在"的字样，这个时候选择自动写入etc禁用nouveau即可(这一步忘记截图了，意会即可)。
然后自己可以手动用sudo update-initramfs -u更新一下，再重启一下
重启之后，terminal输入lsmod | grep nouveau确保没有任何输出显示，说明nouveau禁用成功。
再重新运行显卡驱动安装就可以。理论上来说，这次就不会再有错误。
如果出现下面的报错：
打开nvidia-installer.log之后看到如下：
说明驱动版本和自己机器不兼容。
因此，建议选择ubuntu-drivers devices中推荐的版本。
或者，可以尝试如下ppa安装方法（没试过但是感觉蛮高赞的）：
stackexchange
推荐去清华镜像，找到anaconda3-5.2.0
下载之后bash运行这个sh文件，然后进入anaconda安装界面：
press ‘yes’之后，这个地方注意一下，让你选择安装路径，如果是自己用的pc机，那么默认的路径没问题，如果是团队用的服务器，注意尽量不要装在root根目录，一般实验室每个人都有自己代码数据的存储路径，最好更改conda下载路径到自己的路径：
这个过程中会提示是否写入环境变量，建议no，后面会手动添加。
建议手动配置环境变量,这里有两种选择：
- 导入conda.sh到usr bashrc(只对当前用户生效，推荐)：
echo ". XXX/anaconda3/etc/profile.d/conda.sh" >> ~/.bashrc ## XXX为之前那步你选择安装的anconda的位置 echo "conda activate" >> ~/.bashrc source ~/.bashrc ## 刷新bashrc
- 建立一个全局的软连接(对所有用户生效，不是很推荐)：
sudo ln -s XXX/anaconda3/etc/profile.d/conda.sh /etc/profile.d/conda.sh ## 建立软连接，该操作针对所有用户 echo "conda activate" >> ~/.bashrc source ~/.bashrc ## 刷新bashrc
之后打开新的terminal，不出意外，应该会自动进入conda的base环境：
注意！老版本的conda在配置环境变量时(包括之前一步，如果选择让anaconda自动配置环境变量的话)，大多用以下这种：
echo "export PATH=XXX/anaconda3/bin:$PATH" >> ~/.bashrc ## XXX为之前那步你选择安装的anconda的位置
但是比较新的conda应该是要按照笔者上述这种方法来配置，而且官方推荐.bashrc文件里面不能有上面这行(但是笔者自己试的时候，加上也可以照样也还是能激活base，只不过会报个错，可能强迫症会有点难受)。
5. 安装cuda、cudnn首先去官网查看自己做安装的driver版本和cuda、cudnn之间的对应，可以参考我另一篇blog：
查看cudnn和cuda，cuda和driver之间的对应关系
然后去下载cuda(选run file):
官网cuda下载地址
安装运行之前最好检查一下有没有gcc：
gcc --version
首先需要给可执行行权限：
sudo chmod a+x cuda_11.4.3_470.82.01_linux.run
然后安装：
sudo sh cuda_11.4.3_470.82.01_linux.run
输入accept
选择install
最后屏幕会出一个summary
配置环境变量：
vim ~/.bashrc
末尾加上(改为自己的cuda安装路径)：
export PATH="/usr/local/cuda-11.4/bin${PATH:+:${PATH}}"
export LD_LIBRARY_PATH="/usr/local/cuda-11.4/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}"
更新bashrc：
source ~/.bashrc
之后用nvcc -v试试看有没有成功，有如下输出则表示cuda安装成功：
之后下载cudnn(需要用邮箱注册一个账号):
官网cudnn下载地址
需要下载下面四个(一个tar包，三个deb)：
对于下载的cudnn的tar包，解压tar -zxvf cudnn-11.4-linux-x64-v8.2.4.15.tgz -C ./之后，当前目录下会多一个名为cuda的folder，之后cp cudnn.h 和 lib64 这两个库(根据自己cuda的路径调整)，并更改这两个库的权限：
sudo cp cuda/include/cudnn.h /usr/local/cuda-11.4/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.4/lib64 sudo chmod a+r /usr/local/cuda-11.4/include/cudnn.h /usr/local/cuda-11.4/lib64/libcudnn*
然后安装那三个libcudnn的Deb包:
sudo dpkg -i libcudnn8_8.2.4.15-1+cuda11.4_amd64.deb sudo dpkg -i libcudnn8-dev_8.2.4.15-1+cuda11.4_amd64.deb sudo dpkg -i libcudnn8-samples_8.2.4.15-1+cuda11.4_amd64.deb重启验证
上面的cuda和cudnn安装之后可以reboot重启一下，输入以下命令检验是否安装成功：
cd /usr/local/cuda-11.4/samples/1_Utilities/deviceQuery sudo make ./deviceQuery
若是安装成功，运行之后terminal里面最后会有一个Result = PASS：
先去官网确定自己的torch和torchvision之间的对应版本关系：
然后去下载离线包，找到对应版本的torch和torchvision：
离线包下载地址
之后pip安装即可：
pip install torch-1.8.0+cu111-cp38-cp38-linux_x86_64.whl pip install torchvision-0.9.0+cu111-cp38-cp38-linux_x86_64.whl
此处需要提醒一点，若是安装的cuda版本高于torch支持(比方说笔者这里，cuda版本是11.4，但是安装的torch1.8.0只支持最高11.1).一般来说安装之后问题不是很大，只要差的版本不是很大就行。但最好还是一致。 详见：本机cuda版本可以高于安装pytorch时的cuda版本吗？
之后可以安装一些其他依赖，pandas，json，etc.有关于TensorFlow GPU版本，还有类似于Keras，这里不做介绍。
7. 验证最后验证一下是否安装成功，terminal里进入python环境，然后执行以下代码：
>>> import torch
>>>>> torch.cuda.is_available()
True
>>> t=torch.nn.Linear(3,3)
>>> t.to("cuda:0")
Linear(in_features=3, out_features=3, bias=True)
>>> input=torch.randn((3,3)).requires_grad_().to("cuda:0")
>>> output=t(input)
>>> loss=torch.sum(output)
>>> torch.autograd.grad(loss,input,retain_graph=True)
(tensor([[ 0.2808, -0.3811, 0.4370],
[ 0.2808, -0.3811, 0.4370],
[ 0.2808, -0.3811, 0.4370]], device='cuda:0'),)
>>> loss.backward()
没有报错则算成功，说明可以使用gpu进行推理反传
8. 其他最后再吐槽一下网上很多博客，有些误人子弟，当然也有一些其实是可以成功的，但是毕竟每个人机器都不是很一样，这里面变量很多，你也不知道别人的方法在你那里行不行得通。总之，装环境这种切忌盲目跟，要是装的时候感觉这篇博客不太对头了，好像它的屏幕输出和我不太一样，那么赶紧换一篇(包括这篇)。
最后，胆大心细吧，退一百步讲，大不了装错了重装系统呗(笔者写这篇重装了5、6次)；还要有耐心，装环境还是可以增强自己的能力的。
