0. 簡介

最近受到優刻得的使用邀請，正好解決了我在大模型和自動駕駛行業對GPU的使用需求。UCloud云計算旗下的Compshare的GPU算力云平臺。他們提供高性價比的4090 GPU，按時收費每卡2.6元，月卡只需要1.7元每小時，并附帶200G的免費磁盤空間。暫時已經滿足我的使用需求了，同時支持訪問加速，獨立IP等功能，能夠更快的完成項目搭建。

而且在使用后可以寫對應的博客，可以完成500元的贈金，完全可以滿足個人對GPU的需求。

對應的環境搭建已經在《如何使用共享GPU平臺搭建LLAMA3環境（LLaMA-Factory）》介紹過了。高斯濺射是最近在SLAM領域最火的一塊工作，因為其和深度學習結合，這導致有一定的上手門檻。基于python的高斯濺射已經有很多了，現在我們這里來講一下如何使用C++完成環境搭建以及代碼訓練。如果使用了優刻得平臺我們可以省去搭建CUDA這些環境，可以直觀關注算法層面的使用。

1. 檢查顯卡驅動

查看是否安裝NVIDIA顯卡

lspci | grep -i nvidia

查看顯卡信息

nvidia-smi

如果出現這個樣式，說明已經安裝顯卡驅動了。通常裝好的Ubuntu中都有顯卡驅動。如果在配置的過程中遇到了沒有顯卡驅動。如果沒有驅動，那么就需要手動安裝顯卡驅動了。

先添加源：

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

檢查可安裝的驅動：

ubuntu-drivers devices

找到最適合的驅動安裝，安裝recommended標記的，通常也是數字版本最大的那個。

sudo apt install nvidia-driver-XXX

也可以自動安裝系統推薦那個

sudo ubuntu-drivers autoinstall

如果沒有遇到報錯，說明安裝成功，此時調用nvidia-smi指令可能還是看不到顯卡信息，不要擔心，重啟系統之后就能看到了。

2. 安裝CUDA

英偉達官網（最新版）：CUDA Toolkit 12.5 Update 1 Downloads | NVIDIA Developer

CUDA歷史版本下載地址：CUDA Toolkit Archive | NVIDIA Developer

這里是nvidia給出的官方安裝指南（遇到問題時可以查閱）：

NVIDIA CUDA Installation Guide for Linux

2.1 選擇 runfile 按照官網提示的輸入到終端中的代碼執行安裝

我們在打開上面的CUDA歷史版本下載地址找到CUDA 12.1版本后

然后復制命令到命令行

wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda_12.1.0_530.30.02_linux.run

這里必須先關圖形界面，如果不關，運行下面安裝的命令之后會報錯，裝不上（我們這里不需要，這個需要帶圖形化界面的Ubuntu）

systemctl isolate multi-user.target

關閉圖形界面之后會重啟，輸入如下命令（我們這里不需要，這個需要帶圖形化界面的Ubuntu）

 modprobe -r nvidia-drm

2.2 安裝驅動

sudo sh cuda_12.1.0_530.30.02_linux.run

稍等一會。會在彈出的安裝界面中選“continue”，如果選了會跳出安裝，就說明安裝失敗，給了失敗日志的路徑，自己查看原因，一般是gcc版本問題，降級方法如下:

sudo apt-get install gcc-7 g++-7sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 9
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 1sudo update-alternatives --display gcc     //查看默認版本sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-7 9
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-9 1sudo update-alternatives --display g++

如果沒問題繼續安裝：

之后就繼續，輸入accept

之后就繼續，把第一個選擇驅動，給他回車取消，因為我們已經有驅動了

在安裝完畢后，我們再開啟圖形界面（我們這里不需要，這個需要帶圖形化界面的Ubuntu）

sudo systemctl start graphical.target

2.3 配置CUDA的環境變量

成功后需要配置一下環境變量，這步很關鍵。這里需要在.bashrc里配置環境變量。

sudo gedit ~/.bashrc

在打開文件的最后一行加上：

export PATH=/usr/local/cuda-12.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

特別注意文件夾路徑，有時候文件夾直接是/usr/local/cuda，有時候是別的版本號，要確保文件夾存在。

source ~/.bashrc

2.4 檢查是否安裝成功

檢查一下CUDA是否安裝正確：（注意文件夾路徑一定要存在，需要跟上面設置環境變量的路徑保持一致）

cat /usr/local/cuda-12.1/version.txt

一開始的時候，我對CUDA不是很了解，執行這句話沒有任何反應，我以為是該方法失效了。我使用nvidia-smi或nvcc --version指令都看到了CUDA版本號。但是CUDA環境沒有配置好，這兩個也是能拿到版本號的，所以不準確。還是應該用上面的方法檢查CUDA版本。

2.5 卸載cuda

先進入安裝目錄下的bin文件夾中

cd /usr/local/cuda-12.2/bin

然后勾選我們要卸載的12.2版本，選擇done

3. 安裝cuDNN

cuDNN比CUDA安裝簡單，下載對應版本壓縮包，拷貝文件到指定目錄，給予權限就好了。

下載cudnn相應版本.
最新版下載地址：Log in | NVIDIA Developer
cudnn歷史版本: cuDNN Archive | NVIDIA Developer

官方安裝指南: Installation Guide - NVIDIA Docs

3.1 下載

https://developer.nvidia.com/rdp/cudnn-archive
#找到https://developer.nvidia.com/downloads/compute/cudnn/secure/8.9.7/local_installers/12.x/cudnn-local-repo-ubuntu2004-8.9.7.29_1.0-1_amd64.deb

3.2 安裝cuDNN庫

sudo dpkg -i cudnn-local-repo-ubuntu2004-8.9.7.29_1.0-1_amd64.deb
sudo cp /var/cudnn-local-repo-*/cudnn-local-*-keyring.gpg /usr/share/keyrings/

3.3 更新APT倉庫并安裝cuDNN運行時庫、開發庫和示例庫

sudo apt-get update
sudo apt-get install libcudnn8=8.9.6.50-1+cuda12.2
sudo apt-get install libcudnn8-dev=8.9.6.50-1+cuda12.2
sudo apt-get install libcudnn8-samples=8.9.6.50-1+cuda12.2

3.4 安裝成功

cp -r /usr/src/cudnn_samples_v8/ $HOME
cd $HOME/cudnn_samples_v8/mnistCUDNN
make clean && make
./mnistCUDNN#顯示“Test passed!”或類似的消息，表示cuDNN運行正常。- 如果編譯報錯fatal error: FreeImage.h: No such file or directory1 | #include "FreeImage.h"|          ^~~~~~~~~~~~~
- 解決方法：sudo apt-get install libfreeimage3 libfreeimage-dev

4. 安裝libtorch GPU版

進入pytorch官網 https://pytorch.org/get-started/locally/

下載一個你想用的就行

這里我們根據12.1的下載鏈接

wget https://download.pytorch.org/libtorch/cu121/libtorch-cxx11-abi-shared-with-deps-2.3.1%2Bcu121.zip

4.1 解壓

unzip libtorch-cxx11-abi-shared-with-deps-2.3.1+cu121.zip

解壓后得到libtorch文件夾，文件夾下的內容如圖

4.2 環境測試

配置CMakeLists.txt文件：

cmake_minimum_required(VERSION 3.0 FATAL_ERROR)
project(libtorch_test)find_package(PythonInterp REQUIRED)
list(APPEND CMAKE_PREFIX_PATH "/home/ubuntu/libtorch")add_executable(libtorch_test main.cpp)find_package(Torch REQUIRED)
target_link_libraries(libtorch_test "${TORCH_LIBRARIES}")
set_property(TARGET libtorch_test PROPERTY CXX_STANDARD 17)

編輯main.cpp文件

#include <torch/script.h>
#include <torch/torch.h>
#include <iostream>
int main() {std::cout << "檢查CDUA是否可用：" << torch::cuda::is_available() << std::endl;std::cout << "檢查cudnn是否可用：" << torch::cuda::cudnn_is_available() << std::endl;std::clock_t s, e;s = clock();torch::Tensor cuda_output;for (int i=0;i<1;i++) {cuda_output = torch::randn({ 5, 4 }, torch::device(torch::kCUDA));}std::cout << cuda_output << std::endl;e = clock();std::cout << "use time: " << (e - s) << " 微秒" << std::endl;return 0;
}

5. OpenSplat項目運行

要在Ubuntu環境中搭建OpenSplat項目，請按照以下步驟操作：

5.1 安裝依賴項：

sudo apt-get update
sudo apt-get install build-essential cmake git libeigen3-dev libopencv-dev

5.2 克隆項目：

git clone https://github.com/pierotofy/OpenSplat OpenSplat
cd OpenSplat
mkdir build && cd build
cmake -DCMAKE_PREFIX_PATH=/path/to/libtorch/ .. && make -j$(nproc)

5.3 下載數據集：

下載并解壓數據集到某個文件夾：banana、train、truck

打開終端，進入項目目錄：

cd build

運行以下命令（以banana數據集為例）：

./opensplat /path/to/banana -n 2000

生成的splat.ply文件可以在PlayCanvas Viewer中查看，cameras.json文件也會在同一目錄下生成。

運行自定義數據：選擇包含稀疏點的COLMAP、OpenSfM、ODM或nerfstudio項目路徑。

5.4 查看參數：

運行以下命令查看可調參數：

./opensplat --help

5.5 生成壓縮splat文件：

使用以下命令生成壓縮的.splat文件：

./opensplat /path/to/banana -o banana.splat

6. 參考鏈接

https://blog.csdn.net/ytusdc/article/details/132404002

https://blog.csdn.net/h3c4lenovo/article/details/119003405

https://blog.csdn.net/Xeon_CC/article/details/126913125

https://blog.csdn.net/qq_42864343/article/details/131728784

https://blog.csdn.net/2301_79694635/article/details/135647492