安装Nvidia 375/384驱动后Ubuntu无法启动，Tesla K20适配Tensorflow遇阻

我之前也碰到过类似的Tesla K20在老Ubuntu版本上的驱动兼容矛盾，结合NVIDIA官方文档和实际调试经验，给你梳理一套可行的解决思路：

你的核心矛盾很明确：

• 304版本驱动能让系统正常启动，但版本过低不满足CUDA 8.0（要求≥361）的最低要求，无法运行依赖CUDA的TensorFlow
• 安装361及以上版本驱动（如375、384）后系统重启崩溃，必须进入恢复模式卸载才能恢复

一、先明确Tesla K20的驱动支持范围 #

Tesla K20属于Kepler架构，NVIDIA官方对该架构的驱动支持到470.x系列（这是最后支持Kepler的长期支持分支），361-470之间的版本理论上都适配，但启动失败大概率是安装方式或系统组件冲突导致的。

二、避开冲突的驱动安装步骤 #

不要用Ubuntu自带的“附加驱动”工具或简单的apt install安装，建议用NVIDIA官方.run包手动安装，步骤如下：

1. 彻底清理现有驱动残留
   先进入恢复模式，挂载系统分区为可读写状态：

   mount -o rw,remount /
   

   卸载所有NVIDIA相关组件：

   apt purge nvidia*
   apt autoremove
   rm -rf /usr/local/cuda*
   

2. 禁用nouveau开源驱动
   这是导致高版本闭源驱动冲突的常见原因，创建禁用配置：

   echo -e "blacklist nouveau\noptions nouveau modeset=0" | sudo tee /etc/modprobe.d/blacklist-nouveau.conf
   

   更新initramfs使配置生效：

   update-initramfs -u
   

   重启系统，此时系统会进入纯命令行模式（如果没自动进入，按Ctrl+Alt+F1切换到tty1控制台）。

3. 安装适配的稳定驱动版本
   选择同时支持Tesla K20和CUDA 8.0的版本，比如390.147（这个版本是CUDA 8.0兼容的较高稳定版本，且完美支持Kepler架构）。
   先给.run安装包赋予执行权限：

   chmod +x NVIDIA-Linux-x86_64-390.147.run
   

   执行安装时添加关键参数避免桌面环境冲突：

   ./NVIDIA-Linux-x86_64-390.147.run --no-opengl-files --no-x-check
   

   • --no-opengl-files：跳过OpenGL组件安装，避免和Ubuntu桌面环境的OpenGL库冲突导致启动失败
   • --no-x-check：安装时不检查X服务器状态，适合纯命令行环境安装

4. 验证驱动安装结果
   重启系统后，执行以下命令检查GPU状态：

   nvidia-smi
   

   如果能正常显示Tesla K20的GPU信息、驱动版本，说明驱动安装成功。

三、安装CUDA 8.0并配置环境 #

1. 下载对应Ubuntu版本的CUDA 8.0.run安装包，执行安装时，不要选择安装驱动（我们已经手动装了兼容的390版本），只勾选安装CUDA Toolkit和Samples。
2. 配置环境变量，编辑~/.bashrc文件：

   echo "export PATH=/usr/local/cuda-8.0/bin:\$PATH" >> ~/.bashrc
   echo "export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:\$LD_LIBRARY_PATH" >> ~/.bashrc
   

   使配置立即生效：

   source ~/.bashrc
   

3. 验证CUDA是否正常工作：
   编译并运行CUDA Samples中的设备查询程序：

   cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
   make
   ./deviceQuery
   

   如果输出末尾显示Result = PASS，说明CUDA配置成功。

四、安装适配的TensorFlow版本 #

TensorFlow 1.x系列支持CUDA 8.0，推荐安装最后支持CUDA 8.0的稳定版本：

pip install tensorflow-gpu==1.15.5

验证TensorFlow是否能识别GPU：

import tensorflow as tf
print(tf.test.is_gpu_available())

如果输出True，说明整个环境配置完成，可以正常运行TensorFlow了。

内容的提问来源于stack exchange，提问作者laradov