1、系統信息
操作系統版本：CentOS7.X
顯卡版本：英偉達 Tesla P100
其他軟件包安裝信息：
- CUDA 9.0
- CUDNN 7.4.2.24
- lightgbm 2.2.X
- Boost 1.61
- CMake 3.12
特別說明，如果沒有在官網找到你的顯卡版本對應的驅動，請盡快尋找你的顯卡提供商確認驅動信息，不要輕易嘗試；那就是在浪費時間，切記！
2、安裝P100驅動
這里安裝P100驅動的方式，通過Yum Rpm包的安裝方式，其他相關的Linux系統可以通過對應的包管理或者二進制的方式安裝，如果是CentOS系統，我們非常推薦使用Yum進行安裝。
2.1 查看顯卡信息
我們可以通過查看pci的接口，確認顯卡信息，以及是否識別出顯卡，當然默認沒有這個工具，我們需要安裝；安裝方式如下：
yum install pciutils -y
可以通過過濾VGA來精確信息：
lspci|grep -i vga
2.2 安裝顯卡驅動
這里我們通過wget在線下載驅動，通過rpm安裝載入到系統中：
wget http://cn.download.nvidia.com/tesla/410.79/nvidia-diag-driver-local-repo-rhel7-410.79-1.0-1.x86_64.rpm
rpm -ivh nvidia-diag-driver-local-repo-rhel7-410.79-1.0-1.x86_64.rpm
在往下走之前我們需要配置epel源，便於后面安裝dkms：
yum install epel-*
通過Yum安裝，目前這是最簡單的方式，如果你想挑戰也可以采用二進制tarall的方式：
yum install dkms -y
yum install nvidia* -y
最后為了生效，我們需要重啟操作系統：
reboot
往往重啟后，你不確定是否成功，那如果去查看信息呢，我推薦通過一下三個步驟：
lspci | grep -i nv # 查看是否加載驅動配置
lsmod | grep -i nouveau # 是否關閉了默認顯卡驅動
dmesg | grep NVRM # 查看開啟加載是否有異常信息
到了這里，成責成，不成你就要日志了，別照着網上文章亂搞。
3、開發工具包安裝
只有驅動還是不夠的，我們換需要一個些工具包便於我們使用，其中 CUDA、CUDNN就是我們要安裝的包。
3.1 CUDA工具包安裝
導入官方CUDA包
rpm -ivh http://developer.download.nvidia.com/compute/cuda/repos/rhel7/x86_64/cuda-repo-rhel7-9.0.176-1.x86_64.rpm
通過Yum安裝即可
yum install cuda-9.0.176-1
我們推薦不要安裝太新的，好多組件不一定能夠支持。
查看版本技巧：yum search --showduplicates cuda
3.2 CUDNN安裝
PS：下載CUDNN，你可能需要一個會員，需要登錄才能夠下載
Download下載地址: https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.4.2/prod/9.0_20181213/cudnn-9.0-linux-x64-v7.4.2.24.tgz
上傳到服務器上后，解壓Copy對應的庫文件即可（這里我們默認你已經回上傳文件到服務之上）：
tar xf cudnn-9.0-linux-x64-v7.4.2.24.solitairetheme8
cp cuda/include/cudnn.h /usr/local/cuda/include
cp -a cuda/lib/* /usr/local/cuda/lib64/
4、lightgbm安裝
這個安裝對於CentOS7的系統是非常坑的，必須要來編譯原聲的組件，編譯失敗的因素很多，你准備好了？
4.1 OpenGL安裝
安裝OpenGL，默認情況下CUDA安裝時已經安裝，所以無需單獨安裝；（特別注意，有時候會遇到軟連接丟失造成找不到so庫文件），解決方法就是補全軟連接即可了。
PS：補全方式，類似常規方法，通過ln 命令模擬確實的so文件即可。
4.2 Boost安裝
安裝前，你需要安裝一些依賴，來保證后面的步驟能夠順序執行（我並不能保證你按照我的方式一定會成功，但至少我成功了，如果出錯你需要詳細檢查報錯信息+你的機智來解決問題）
yum install wget gcc python python python-devel -y
安裝命令如下，你可以直接Copy執行（在Root身份下）
cd /usr/local/src
wget https://sourceforge.net/projects/boost/files/boost/1.61.0/boost_1_61_0.tar.gz
tar xf boost_1_61_0.tar.gz
cd boost_1_61_0
./bootstrap.sh --prefix=/usr/local/include/boost
./b2 install
我們還需要安裝tools工具，放心這個不會報錯，錦上添花的功能：
cd tools/build/
./b2 install --prefix=/usr/local/include/boost
4.3 CMake安裝
沒有什么特別好說的，常規操作（你在Root身份下直接復制即可）：
cd /usr/local/src
wget https://cmake.org/files/v3.12/cmake-3.12.0-rc1.tar.gz
tar -zxf cmake-3.12.0-rc1.tar.gz
cd cmake-3.12.0-rc1
./bootstrap
gmake -j $(nproc)
gmake install
檢查是否成功與查看版本：
cmake --version
4.4 正文lightgbm
PS：開始前，我們認為已經安裝了Python3的環境，當然Python2也是可以的，不過你需要做好心理准備。
命令如下：建議Root用戶或等同權利的用戶執行
cd /usr/local/src/
git clone --recursive https://github.com/Microsoft/LightGBM ; cd LightGBM
mkdir build ; cd build
cmake -DUSE_GPU=1 ..
make -j 12
cd ../python-package/
python3 setup.py install
將so動態庫Copy到系統之中，自行操作，不在演示。
4.5 測試
安裝基礎測試數據包：
pip3 install wheel numpy scipy scikit-learn -U -i https://pypi.doubanio.com/simple
下載解析處理數據：
cd /usr/local/src
git clone https://github.com/guolinke/boosting_tree_benchmarks.git
cd boosting_tree_benchmarks/data
wget "https://archive.ics.uci.edu/ml/machine-learning-databases/00280/HIGGS.csv.gz"
gunzip HIGGS.csv.gz
python3 higgs2libsvm.py
PS: 這里你可能會遇到xrange錯誤，因為Python3已經沒有xrange，這里修改為range即可。
創建測試數據：
cat > lightgbm_gpu.conf <<EOF
max_bin = 63
num_leaves = 255
num_iterations = 50
learning_rate = 0.1
tree_learner = serial
task = train
is_training_metric = false
min_data_in_leaf = 1
min_sum_hessian_in_leaf = 100
ndcg_eval_at = 1,3,5,10
sparse_threshold = 1.0
device = gpu
gpu_platform_id = 0
gpu_device_id = 0
EOF
echo "num_threads=$(nproc)" >> lightgbm_gpu.conf
測試命令如下：
# Run of GPU
/usr/local/src/LightGBM/lightgbm config=lightgbm_gpu.conf data=higgs.train valid=higgs.test objective=binary metric=auc
# Run of CPU
/usr/local/src/LightGBM/lightgbm config=lightgbm_gpu.conf data=higgs.train valid=higgs.test objective=binary metric=auc device=cpu
這里可以將生成的lightgbm命令與So文件Copy到系統之中方便后期使用。
5、小結
看到這里說明你已經成功了，是不是很Easy，當然如果你沒搞定回頭看看錯誤信息；我的這個博文你不一定能夠成功，至少我成功過了，切記不要根據網上的帖子亂搞。