在服务器（Ubuntu20.04）安装用户级别的cuda11.8（以及仿照前面教程安装cuda11.3后安装cudnn和pytorch1.9.0），在Ubuntu 20.04服务器上安装CUDA 11.8及PyTorch 1.9.0与CUDA优化配置指南

摘要：在Ubuntu 20.04服务器上，用户成功安装了CUDA 11.8版本。用户还按照教程顺序先安装了CUDA 11.3，然后安装了cuDNN和PyTorch 1.9.0。这些安装为用户在服务器上运行深度学习应用提供了支持。

在CUDA官网下载所需的CUDA版本，这里我下载的是CUDA 11.8版本（我的系统最高支持CUDA 12.0）。

由于直接使用wget命令下载可能存在问题，因此我选择在浏览器中输入链接下载文件至本地，之后再上传至服务器。

下载链接如下：

https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run

CUDA 11.8的安装步骤

假设用户名为andy，即位于/home/andy目录下，在此文件夹下手动创建一个名为cuda-11.8的文件夹（即/home/andycuda-11.8），然后在此文件夹里创建一个名为mylib的文件夹（即/home/andycuda-11.8/mylib），将之前下载的cuda_11.8.0_520.61.05_linux.run文件上传到/home/andy/cuda-11.8文件夹。

使用以下命令进入此文件夹：

/home/andy/cuda-11.8

然后更改文件的执行权限：

chmod 755 cuda_10.2.89_440.33.01_linux.run  # 注意这里可能是版本号的误写，应该是cuda_11.8.0_520.61.05_linux.run

由于我们不是管理员用户，因此无法直接使用sudo命令安装，直接执行以下命令进行安装：

sh cuda_11.8.0_520.61.05_linux.run  # 注意替换为正确的文件名

接下来的步骤参考相关教程，大致包括接受许可协议、选择安装CUDA Toolkit 11.8并取消其他选项、设置安装路径等。

安装完成后的环境配置

当看到安装界面出现"successfully"的字眼时，表明安装成功，接下来进行环境配置，首先进入用户主目录：

cd /home/andy

然后编辑~/.bashrc文件，添加CUDA的路径：

export PATH="/home/andy/cuda-11.8/bin:$PATH"
export LD_LIBRARY_PATH="/home/andy/cuda-11.8/lib64:/home/andy/cuda-11.8/mylib/lib64:$LD_LIBRARY_PATH"

按Esc键后，输入:wq保存并退出，最后执行以下命令使配置生效：

source ~/.bashrc

4、检查CUDA和PyTorch是否安装成功

在命令行输入nvcc -V查看CUDA版本，如果显示版本符合预期，则安装成功。

接下来是CUDA 11.3对应的cuDNN安装和PyTorch 1.9.0的安装。

cuDNN的安装

参照相关教程安装CUDA 11.3后，前往cuDNN官网下载cuDNN，将下载的cuDNN文件解压后，将对应的文件拷贝至CUDA指定路径，具体命令参考相关教程。

创建虚拟环境并安装PyTorch

首先创建一个名为env1的虚拟环境，其Python版本为3.7：

conda create -n env1 python=3.7

然后进入PyTorch官网，搜索并下载PyTorch 1.9.0和torchvision 0.10.0，使用以下命令在env1环境中安装：

注意替换链接中的版本号为实际的版本号，由于网络问题，可能需要使用镜像源进行安装，具体命令和镜像源链接参考相关教程或官方文档。