这是南山大学青山研究室(NISE) Advent Calendar 2019中的第18天的文章。

今年，有些人在正式环境中搞砸了，看起来2019年的Advent日历真是非常热闹啊！

這次的故事與此相近。在這裡的故事幾乎就像非虛構，請事先注意。

当时的情况

当时虽然说不上是很久以前，只是一个月前发生的新鲜事。目前的NISE由25名本科生、8名研究生（其中3人是进入社会的人）组成，每个本科生和研究生都被分配到一个研究室。

每个房间都配置着装有GPU的电脑，问题出在那些安装了Ubuntu系统的电脑上。

毫无察觉…

我会标明那台电脑的配置。

这样的感觉。

我从学院的成员那里听说他们想要在GPU上运行keras，大约是在今年夏天进行环境配置后，之后就没有再进行过任何操作了。因此，我认为内部的软件更新也没有进行，各种软件版本都变得相当陈旧。

有一天，学部的成员向我提出了一个请求，希望我更新Python，并在Ubuntu上安装pyenv。

$ apt install  git gcc make openssl libssl-dev libbz2-dev libreadline-dev libsqlite3-dev

我遇到了各种库的安装问题，所以尝试使用apt来安装。虽然一切进展顺利，但在这一步遇到了问题。

214 个软件包可供更新。3
4 个更新为安全更新。
34 个更新是安全更新。
:
*** 系统需要重新启动 ***

我发现有这样的信息出现。
哎呀，我错了，我本以为应该经常更新一下的…

$ apt update
$ apt upgrade 
$ apt dist-upgrade

执行了该操作，然后重新启动了。

画面的宽高比有问题。

再次启动后，选择了通常的紫色画面上的Ubuntu，并尝试启动它。然而，出乎意料地陷入了登录循环…

然而，自从从16.04升级到18.04以来，这个问题时常出现。

• Ubuntu 18.04 LTS 无法启动，禁用 Wayland 后可能会启动！

参考本文，我通过在恢复模式下禁用Wayland来解决了这个问题。
我还记得在这里，我有过一次恢复的感觉。

实际上，一旦被禁用后可以登录，就会看到常见的屏幕….

“嗯？图标变大了吗？”

我不小心说错了话。
通常情况下，应该按照显示器适配的屏幕比例显示，但这次却变成了比平时更大更宽的16:9画面比例。

在这里，我接到了后辈的要求，要将显示器扩展到两台，并分别用HDMI和显示端口连接到每个显示器上。
HDMI的那台显示器虽然显示出来了，但画面比例有些问题，然而，显示端口的那台显示器却完全没有反应。

嗯，总之，虽然我本可以在这里放弃并说“算了，反正也能用”，但面对眼前的bug解决不了，作为一个工程师，我还是决定重新考虑一下，开始和电脑对峙。

英伟达的黑暗

确认到 nvidia-smi 仍在运行…

Failed to initialize NVML: Driver/library version mismatch

出现了。

如果我重新启动的话，会不会好起来呢-我这么想着重新启动，结果最后，我们再也没有看到登录界面出现在我们面前。

有點危險。

心思的焦虑正在不断蔓延增长。

很幸运地，我成功切换到了恢复模式并从那里登录。

将NVIDIA驱动程序安装到Ubuntu 18.04上。

在尝试在Ubuntu 18.04上安装NVIDIA驱动时遇到了困难。

虽然我努力地进行了乱翻找，甚至从恢复模式开始，但我无法登录，屏幕一片漆黑，我的脑海也变得一片混乱。

不过，我记起来了，我之前把研究所需的代码之类的东西妥善地保存在了Github的私人仓库，并且还备份了一些图片截图、构建好的模型之类的东西在Google Drive上。

我决定重新安装Ubuntu18.04。

将Ubuntu 18.04的ISO重新刻录到USB闪存盘，并插入连接

在整理文件的时候，我重新安装了Ubuntu。

很庆幸之前创建的磁盘映像还保留着。

深度学习环境搭建的困难之处。

好的，现在开始是问题了。

在我们的研究室里，我们推荐使用Chainer作为深度学习框架。
在使用Chainer进行深度学习的GPU环境下，需要安装Cupy模块。
这个模块相当麻烦。

首先，我们要安装作为基础的Cuda。

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.1.105-1_amd64.deb

apt update
apt upgrade

apt-key adv --fetch-keys　http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub

apt install ./cuda-repo-ubuntu1804_10.1.105-1_amd64.deb

apt update

apt install cuda cuda-drivers

然后，我们设置环境变量PATH。

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

下一步是安装Cudnn。这需要根据之前安装的cuda版本来选择合适的安装版本，所以要注意。

wget https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/libcudnn7_7.5.0.56-1+cuda10.1_amd64.deb
apt install ./libcudnn7_7.5.0.56-1+cuda10.1_amd64.deb
apt update

apt-get install libcudnn7

然后，安装Chainer和Cupy。
需要注意的是，Cupy依赖于Cuda的版本，所以必须使用相应的版本。另外，在安装Chainer之前必须先安装Cupy，否则在安装Chainer时会出错。

pip search cupy
pip install cupy

pip install chainer

秘籍

好了，这下应该能顺利进行！不过现实世界可没有这么容易啦~

这里还有一个秘技

conda install keras-gpu

您可以通过以下方式一次性下载所有与 GPU 相关的软件
这要简单得多，所以如果你对深度学习框架不挑剔，这是个不错的选择。

总结

这一次，我将谈谈 apt update apt upgrade 如何导致多个版本的 nvidia-driver 被安装，以及我是如何通过重装 Ubuntu 这一最后手段来解决这个问题的，因为当时已经来不及注意到这个问题了。

经验教训。

• 请勿绕过更新。

• 随时备份

复制和粘贴从研究中复制和粘贴的应对策略，却不加以使用。

特别是第三点，在这个环境建设领域里以为会是类似的现象，结果却完全不同，这种情况经常发生，所以需要非常谨慎。

有了这些，我就不想再做环境建设艺术家了（一厢情愿）。

如果您正在构建深度学习的开发环境，请务必小心！．