Comment installer Cuda sur Ubuntu 22.04 pour le deep learning?

Mis à jour le March 6, 2023, 7:53 a.m.

L'installation de CUDA sur Ubuntu 22.04 peut être une tâche ardue, mais elle est essentielle pour les développeurs et les utilisateurs qui ont besoin de la puissance de calcul offerte par les GPU Nvidia. CUDA est une plateforme de calcul parallèle développée par Nvidia pour accélérer les performances de traitement parallèle des tâches informatiques intensives telles que la modélisation 3D, l'apprentissage automatique, l'analyse de données et la simulation numérique. Dans cet article, nous allons vous guider à travers les étapes pour installer CUDA sur Ubuntu 22.04 et vous donner quelques conseils pour vous aider à résoudre les problèmes courants que vous pourriez rencontrer.

1- Connaitre votre carte graphique
2- Téléchargement et installation du driver
3- Installation du driver
4- Téléchargement et installation de CUDA
5- Vérification de l'installation

1- Connaitre votre carte graphique

Vous avez plusieurs façons de le faire, cependant si aucun drivers n'est installé, je vous recommande la commande suivante:

ubuntu-drivers devices

On voit que ma machine dispose d'une RTX 3090, c'est une Nvidia, elle est donc compatible avec CUDA.

2- Téléchargement et installation du driver

Logiquement, si vous n'avez pas installé vos drivers, vous vous retrouverez avec le resultat suivant en tapant la commande nvidia-smi

nvidia-smi

Dans ce cas il faudra commencer par l'installation des packages essentiels puis par l'installation du bon driver et ensuite l'installation de cuda et cudnn, et tout ça sans se tromper de version. Oui CUDA est un défi dont le but est d'arriver à garder autant de cheveux sur le crâne après avoir réalisé l'installation qu'avant.

Etre à jour:

sudo apt update && sudo apt upgrade -y

Installations des packages essentiels:

sudo apt-get install build-essential cmake git unzip pkg-config
sudo apt-get install libjpeg-dev libtiff5-dev 
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt-get install libxvidcore-dev libx264-dev
sudo apt-get install libgtk-3-dev
sudo apt-get install libhdf5-serial-dev graphviz
sudo apt-get install libopenblas-dev libatlas-base-dev gfortran

Téléchargements du driver:

Bien, nous sommes maintenant prêt à télécharger le driver Nvidia.

sudo add-apt-repository ppa:graphics-drivers/ppa

Cette commande ajoute un dépôt de logiciels tiers appelé "ppa:graphics-drivers/ppa" à la liste des sources de packages de votre système Ubuntu. Ce dépôt contient les derniers pilotes graphiques pour les cartes graphiques Nvidia, AMD et Intel.

En ajoutant ce dépôt, vous pouvez installer les dernières versions des pilotes graphiques via la commande apt-get.

3- Installation du driver

On regarde quels drivers sont disponibles. Entrez la commande suivante et appuyez sur tabulation pour l'auto-complétion:

sudo apt-get install nvidia-driver-

Vous devriez voir apparaître quelque chose dans ce goût là:

Après être allé m'instruire sur la documentation de CUDA, le driver qui nous intéresse est le 470. Avec l'expérience, j'ai appris qu'il ne fallait jamais prendre les dernières versions, elles ne sont pas assez robustes et il y a toujours des problèmes de compatibilités avec tensorflow et pytorch. Mieux vaut prendre une version légèrement plus ancienne. Nous allons prendre la version de cuda 11.4 dans ce tutorial par conséquent, nous voyons qu'il nous faut un driver nvidia supérieur ou égale à la version 450. J'opterais donc ici pour la 470.

sudo apt-get install nvidia-driver-470

4- Téléchargement et installation de CUDA

Vous pouvez lancer le téléchargement avec la commande suivante (faites attention à la mettre sur une seule ligne, j'ai fait un saut de ligne ici pour la visibilité).

wget https://developer.download.nvidia.com/compute/cuda/11.4.0/
local_installers/cuda_11.4.0_470.42.01_linux.run

Puis lancez l'installation,

sudo sh cuda_11.4.0_470.42.01_linux.run

Vous allez voir un ecran de ce type apparaitre, deselectionner tout sauf le CUDA toolkit. Vous pouvez sélectionnez et deselectionner en appuyant sur la touche espace.

Puis appuyez sue Entrée pour lancer l'installation.

Une fois l'installation terminée, configurez le bashrc:

sudo nano ~/.bashrc

Puis collez les lignes suivantes à la fin du fichier et sauvegardez-le:

export PATH=/usr/local/cuda-11.4/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.4/lib64:$LD_LIBRARY_PATH

N'oubliez pas de faire cette commande pour que le système prennent en compte la modification du fichier:

source ~/.bashrc

Super maintenant que CUDA est installé, il nous reste encore les fichiers Cudnn à configurer.

Aller sur la page de nvidia et créez un compte.

Ensuite, rendez vous sur la page de cudnn

Sélectionnez le fichier suivant:

Téléchargez le, dézippez le, allez dans le fichier correspondant à l'aide de la commande cd.

Je l'ai téléchargé dans 'Téléchargements' et je me déplace dans le dossier correspondant

Il ne vous reste plus qu'à rentrer les commandes suivantes

sudo cp -P cuda/include/cudnn.h /usr/local/cuda-11.4/include
sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda-11.4/lib64/
sudo chmod a+r /usr/local/cuda-11.4/lib64/libcudnn*

5- Vérification de notre installation

cd ~
nvidia-smi

Une autre petite vérification, entrez:

nvcc -V

Ok tout fonctionne. Vous pouvez maintenant vous attaquez à l'installation de pytorch et de tensorflow/keras. Je vous conseille de faire un environnement virtuel au préalable.

Voilà, j'espère que cet article vous a été utile pour votre installation. Si vous avez des questions ou des commentaires, n'hésitez pas à me les partager avec notre communauté en laissant un poser. Et n'oubliez pas de vous abonner à notre newsletter pour être informé de nos dernières mises à jour et publications.