基本，NVIDIAの公式に従うのが一番確実．

直接インストール

研究室ではこちらの方法でインストールして，pythonのライブラリ群は各自がインストールをしていた． ただ深層学習ライブラリのversionはCUDAのversionに依存するので，実質ストレージの無駄遣いで，各自で分けなくても良い気はする． LDAPアカウントから使うと回し始めが遅くなったりして，闇を見た．

最新versionで現行のライブラリが対応していれば，以下のリンクからインストールをすれば基本終わりか？ ただ僕がやったときはCUDAの最新versionだとライブラリのほうが対応しておらずversionを下げる必要があり，時間がかかってしまった． 結局 apt install 時に直接バージョンを指定するという荒業で解決した覚えが…

  • CUDA周りのインストール

CUDA Toolkit 9.2 Download | NVIDIA Developer

  • CuDNNのインストール

Membership Required | NVIDIA Developer

  • 公式のドキュメント

Installation Guide Linux :: CUDA Toolkit Documentation

nvidia-docker2によるインストール

セットアップがまずめんどくさいということと，またLDAPとの相性などの問題諸々を考えたくないので， 今からセットアップするならDockerを使いたい．Docker自体の使用方法を覚える時間は必要だが，今後を考えるとこちらが楽．

必要なのは nvidia driver, docker, nvidia-dockerかな？

今はnvidia-dockerのバージョンが2になって，さらに便利になったらしい． ブログの記事などは古い可能性が…

基本はREADMEのQuick StartからWikiをたどっていけばできそう．

GitHub - NVIDIA/nvidia-docker: Build and run Docker containers leveraging NVIDIA GPUs

Wikiにも説明はあるが，必要なドライバのバージョンがわかるページ．ここからCUDA Toolkit入れずとも直接インストール可能．

Advanced Driver Search | NVIDIA

他にもWIKIが充実しているので，ここを見れば大体解決しそう．

Home · NVIDIA/nvidia-docker Wiki · GitHub

今は実質Deepを回すとなるとpythonとセットにすることになると思うので， pythonの環境も，virtualenvやpyenvを使うのも良いが dockerに入れてしまってよいのでは．

よくやられるのはDockerfileとrequirements.txtを置いて， dockerfile内で

ARG path_to_dir=/path/to/dir
ADD requirements.txt $path_to_dir
RUN pip install --upgrade pip
RUN pip install --no-cache-dir -r $path_to_dir/requirements.txt

としておいて，必要なライブラリ群が増えたら requirements.txtに追記していけばみんな幸せになれるかと． ただ各自の目的が違いすぎるとライブラリ間のバージョン依存の関係で詰まる可能性があるが， そこはタグ付けするなどして分けることで解決するのかな…

おそらくすでにこのような全部入りのdocker imageは誰かが作っていると思うので，それを入れたら終わってしまうかも．笑

Usage

ここにまとまっている．

Usage · NVIDIA/nvidia-docker Wiki · GitHub

複数人で使うときは， NVIDIA_VISIBLE_DEVICES を指定して被りがないようにするとかやったほうが良いかも．