Deep Learning with RTX3090.
最近拿到了RTX3090，需要为其配置合适的深度学习环境。本人的操作系统为Ubuntu18.04，现将环境配置步骤记录如下。
1. 安装Nvidia驱动
在终端查看显卡硬件的型号：
ubuntu-drivers devices
RTX3090需要安装$455.23$以上版本的驱动，直接安装推荐版本：
sudo ubuntu-drivers autoinstall
也可以安装指定版本的驱动：
sudo apt install nvidia-455
安装完毕后，使用下面命令可以查看显卡的工作情况：
nvidia-smi
2. 安装CUDA和CUDNN
RTX3090需要安装CUDA$11.1$版本，在官网选择下载或直接点击下载链接。
下载完成之后进行安装：
sudo sh cuda_11.1.0_455.23.05_linux.run
安装中需要注意，询问是否安装驱动(driver)时选择no，其余选择yes即可。
安装后打开主目录下的.bashrc文件，添加如下路径：
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.1/lib64
export PATH=$PATH:/usr/local/cuda-11.1/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-11.1
或者在终端写入：
echo ''export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.1/lib64'' >> .bashrc
echo ''export PATH=$PATH:/usr/local/cuda-11.1/bin'' >> .bashrc
echo ''export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-11.1'' >> .bashrc
在终端更新该文件，即可完成CUDA的安装：
source ~/.bashrc
CUDA$11.1$版本需要对应安装CUDNN$v8.0.5.39$，在官网选择下载或直接点击下载链接。
下载后解压文件，可以看到cuda文件夹，在当前目录打开终端，执行如下命令：
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
3. 安装Anaconda
安装Anaconda便于包管理，同时也能安装一些常见的库。
下载完成之后进行安装：
bash Anaconda3-5.3.1-Linux-x86_64.sh
安装完成后anaconda会自动将环境变量添加到PATH里。若没有自动添加，在终端手动写入：
echo 'export PATH="~/anaconda3/bin":$PATH' >> ~/.bashrc
source ~/.bashrc
4. 安装Pytorch+Torchvision
注：目前Pytorch已支持直接安装，详见官网
截至Pytorch1.7版本并不支持CUDA11.1，因此需要通过源码编译。
创建并进入虚拟环境：
conda create -n envs1 python=3.7
conda activate envs1
克隆pytorch库并进入文件夹：
git clone --recursive https://github.com/pytorch/pytorch
cd pytorch
编译Pytorch：
git submodule sync
git submodule update --init --recursive
export CMAKE_PREFIX_PATH=${CONDA_PREFIX:-"$(dirname $(which conda))/../"}
python setup.py install
成功之后重启终端，测试如下：
python
>>> import torch
>>> torch.__version__
'1.8.0a0+3d421b3'
>>> torch.cuda.is_available()
True
torchvision库同理，克隆并编译：
git clone --recursive https://github.com/pytorch/vision.git
cd vision/
python setup.py install
5. 安装Tensorflow
pip install tf-nightly-gpu
>>> tf.__version__ '2.4.0-dev20201014'
