So installieren Sie NVIDIA CUDA und cuDNN unter Ubuntu: Vollständige Anleitung zur GPU-Beschleunigung

1. Einführung

CUDA (Compute Unified Device Architecture) ist eine von NVIDIA bereitgestellte Parallel‑Computing‑Plattform und API, die Hochgeschwindigkeitsverarbeitung mit GPUs ermöglicht.
Sie wird in Bereichen wie maschinellem Lernen, Deep Learning und wissenschaftlicher Berechnung weit verbreitet eingesetzt.
Dieser Artikel erklärt das schrittweise Verfahren zur Installation von CUDA in einer Ubuntu‑Umgebung.

2. Voraussetzungen

2.1 Wie man prüft, ob eine unterstützte GPU vorhanden ist

Zunächst prüfen Sie, ob die in Ihrem System installierte NVIDIA‑GPU mit CUDA kompatibel ist.
Führen Sie den folgenden Befehl im Terminal aus:

lspci | grep -i nvidia

Wenn ein NVIDIA‑Gerät in der Ausgabe erscheint, wird Ihre GPU erkannt.
Die vollständige Liste der unterstützten GPUs finden Sie auf der offiziellen NVIDIA‑Website.

2.2 Überprüfen der Ubuntu‑Version

CUDA unterstützt bestimmte Ubuntu‑Versionen.
Verwenden Sie den folgenden Befehl, um Ihre aktuelle Ubuntu‑Version zu prüfen:

lsb_release -a

Im Allgemeinen werden Ubuntu‑LTS‑Versionen (Long Term Support) empfohlen.
Weitere Informationen zur aktuellen Unterstützung finden Sie in der offiziellen NVIDIA‑Dokumentation.

2.3 Prüfen, ob gcc installiert ist

Der gcc‑Compiler wird für die Installation von CUDA benötigt.
Überprüfen Sie den Installationsstatus mit dem folgenden Befehl:

gcc --version

Falls gcc nicht installiert ist, führen Sie diesen Befehl aus, um es zu installieren:

sudo apt install build-essential

3. Installation des NVIDIA‑Treibers

3.1 Vorhandene Treiber entfernen

Falls ältere NVIDIA‑Treiber installiert sind, entfernen Sie diese, um Konflikte zu vermeiden.
Führen Sie die folgenden Befehle aus:

sudo apt-get --purge remove '*nvidia*'
sudo apt-get autoremove

3.2 Den passenden Treiber auswählen und installieren

Besuchen Sie die offizielle NVIDIA‑Website, um den richtigen Treiber für Ihre GPU zu finden, und installieren Sie ihn anschließend nach den untenstehenden Schritten.

Repository hinzufügen – Führen Sie die folgenden Befehle aus, um das NVIDIA‑Treiber‑Repository hinzuzufügen:
```
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
```

Empfohlene Treiber prüfen – Verwenden Sie diesen Befehl, um den empfohlenen Treiber zu ermitteln:
```
ubuntu-drivers devices
```

Installieren Sie den als „empfohlen“ gekennzeichneten Treiber.

Treiber installieren – Geben Sie bei der Installation die empfohlene Version an:
```
sudo apt install nvidia-driver-<recommended-version>
```

System neu starten – Nach der Installation starten Sie Ubuntu neu:
```
sudo reboot
```

4. Installation des CUDA‑Toolkits

4.1 Auswahl der CUDA‑Version

Auf der offiziellen CUDA‑Download‑Seite prüfen Sie, welche CUDA‑Version mit Ihrer GPU und Ihrer Ubuntu‑Version kompatibel ist.
Wenn Sie die neueste Version wählen, stellen Sie sicher, dass sie mit Ihrer Software und Ihren Bibliotheken kompatibel ist.

4.2 Repository hinzufügen und installieren

Führen Sie die nachstehenden Schritte aus, um das CUDA‑Toolkit zu installieren.

Repository hinzufügen – Das folgende Beispiel verwendet Ubuntu 20.04:

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600

Repository‑Schlüssel hinzufügen – Rufen Sie den Repository‑Schlüssel ab und installieren Sie ihn:

sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub

CUDA‑Paket installieren – Installieren Sie das CUDA‑Toolkit:
```
sudo apt update
sudo apt install cuda
```

Installation überprüfen – Bestätigen Sie, dass CUDA installiert ist:
```
nvcc --version
```

5. Setzen von Umgebungsvariablen

5.1 PATH und LD_LIBRARY_PATH konfigurieren

Um CUDA zu nutzen, müssen Sie die Umgebungsvariablen korrekt konfigurieren. Folgen Sie diesen Schritten:

Die Datei .bashrc bearbeiten
```
nano ~/.bashrc
```

Folgende Zeilen hinzufügen

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

Änderungen übernehmen – Speichern und das Terminal neu laden:
```
source ~/.bashrc
```

6. Installation von cuDNN

6.1 Was ist cuDNN?

cuDNN (CUDA Deep Neural Network Bibliothek) ist eine GPU‑beschleunigte Bibliothek, die für Deep‑Learning‑Workloads optimiert ist.

6.2 cuDNN herunterladen

Laden Sie die mit Ihrer installierten CUDA kompatible cuDNN‑Version von der offiziellen NVIDIA‑Website herunter.
Ein NVIDIA‑Konto ist zum Herunterladen erforderlich.

6.3 Installationsverfahren

Archiv extrahieren — Entpacken Sie das heruntergeladene cuDNN‑Archiv:
```
tar -xzvf cudnn-<version>.tgz
```

Dateien kopieren — Kopieren Sie die benötigten Dateien in das CUDA‑Verzeichnis:

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 /usr/local/cuda/lib64/libcudnn*

Installation überprüfen — Prüfen Sie die cuDNN‑Version mit folgendem Befehl:
```
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
```

7. Installation überprüfen

7.1 CUDA‑Funktion prüfen

Führen Sie den folgenden Befehl aus, um zu überprüfen, ob CUDA korrekt installiert ist:

nvcc --version

7.2 Beispielprogramme ausführen

Führen Sie CUDA‑Beispielprogramme aus, um die Funktionalität zu testen.

Beispiele einrichten

cuda-install-samples-<version>.run
cd ~/NVIDIA_CUDA-<version>_Samples/1_Utilities/deviceQuery
make

Programm ausführen
```
./deviceQuery
```

Wenn die Ausgabe „PASS“ anzeigt, war die Installation erfolgreich.

8. Fehlersuche

8.1 Häufige Probleme und Lösungen

Problem: CUDA wird nicht erkannt Lösung: Überprüfen Sie Ihre Umgebungsvariablen erneut und starten Sie das System neu.
Problem: GPU wird nicht verwendet Lösung: Versuchen Sie, den NVIDIA‑Treiber neu zu installieren.
Problem: Inkompatibilität zwischen CUDA und Ihrer Software Lösung: Prüfen Sie, welche CUDA‑Version Ihre Software unterstützt, und installieren Sie die entsprechende Version.

9. Fazit

Dieser Artikel bietet eine detaillierte Schritt‑für‑Schritt‑Anleitung zur Installation von CUDA und cuDNN in einer Ubuntu‑Umgebung.
Wenn Sie diese Schritte genau befolgen, können Sie eine leistungsstarke GPU‑Rechenumgebung aufbauen.
Falls Sie Deep Learning oder wissenschaftliche Berechnungen durchführen möchten, sollten Sie als nächsten Schritt TensorFlow oder PyTorch einrichten.