华为云AI开发平台ModelArtsGPU A系列裸金属服务器更换NVIDIA和CUDA_云淘科技

场景描述

当裸金属服务器预置的NVIDIA版本和业务需求不匹配时,需要更换NVIDIA驱动和CUDA版本。本文介绍华为云A系列GPU裸金属服务器(Ubuntu20.04系统)如何从“NVIDIA 525+CUDA 12.0”更换为“NVIDIA 515+CUDA 11.7”。

操作步骤

卸载原有版本的NVIDIA和CUDA。

查看使用apt包管理方式安装的nvidia软件包, 执行如下命令实现查看和卸载。

dpkg -l | grep nvidia
dpkg -l | grep cuda
sudo apt-get autoremove --purge nvidia-*
sudo apt-get autoremove --purge cuda-*

以上命令可以卸载nvidia-driver、cuda、nvidia-fabricmanager、nvidia-peer-memory四个软件。

但是如果nvidia和cuda是使用runfile(local)方式安装的,那么需要在下一步中再次卸载。

若使用nvidia run包直接安装的驱动,需要找到对应的卸载命令。

sudo /usr/bin/nvidia-uninstall
sudo /usr/local/cuda-11.7/bin/cuda-uninstaller

验证是否卸载完成。

nvidia-smi
nvcc -V
dpkg -l | grep peer
dpkg -l | grep fabricmanager
dpkg -l | grep nvidia

卸载nccl相关软件。

由于nccl和cuda是配套关系, 当cuda版本从12.0更换为11.7的时候,libnccl和libnccl-dev都需要更换为和cuda11.7匹配的版本。因此必须卸载掉原版本。

sudo apt-get autoremove --purge *nccl*

删除原nccl-test的编译后文件。

由于nccl-test make编译也是基于当前cuda12.0版本的。 当cuda版本更换后,需要重新编译, 因此删除它。默认该文件在/root/nccl-tests 直接删除即可。

从内核中卸载nvidia相关的所有进程。

在安装nvidia驱动时,必须把内核中加载nvidia相关的进程卸载,否则会失败。具体操作请参考GPU裸金属服务器更换NVIDIA驱动后执行nvidia-smi提示Failed to initialize NVML。

若遇到加载到内核的nvidia进程循环依赖,无法从内核中卸载nvidia,此时执行reboot命令重启服务器即可。

安装NVIDIA-515和CUDA-11.7配套软件环境。具体步骤请参考GPU Ant8裸金属服务器Ubuntu 20.04安装NVIDIA 515+CUDA 11.7。

父主题: GPU裸金属服务器环境配置

同意关联代理商云淘科技,购买华为云产品更优惠(QQ 78315851)

内容没看懂? 不太想学习?想快速解决? 有偿解决: 联系专家