英伟达

转自：https://www.zzhsec.com/255.html 1.更换源【使用中科大或者官方源都可以】 下面使用中科大的源 root@Andy:/home/dnt# vi /etc/apt/sources.list #中科大 deb http://mirrors.ustc.edu.cn/kali kali-rolling main non-free contrib deb-src http://mirrors.ustc.edu.cn/kali kali-rolling main non-free contrib 2.添加完毕后执行下面的更新指令，进行系统或者工具的更新 root@Andy:/home/dnt# apt-get update && apt-get upgrade && apt-get dist-upgrade 这里解释一下： apt-get update //刷新源，获得最近的软件包的列表 apt-get upgrade //更新系统，系统将现有的Package升级,如果有相依性的问题,而此相依性需要安装其它新的Package或影响到其它Package的相依性时,此Package就不会被升级,会保留下来. apt-get dist-upgrade //可以聪明的解决相依性的问题,如果有相依性问题,需要安装/移除新的Package,就会试着去安装/移除它.

https://www.cnblogs.com/hellxz/p/7865790.html 原文链接 http://blog.sina.com.cn/s/blog_67ea5c2b0102vjce.html https://blog.csdn.net/mhlwsk/article/details/51713530 本文最后编辑日期为2018.09.08 晚8点半，因为之前写的内容不够准确，而且官方wiki又在今年8月更新了内容，所以这里对之前的内容进行大幅修改，仅保留正确可行的方法------N卡独显的安装！ 2018.09.27 update ! this article just suitable debian-live iso , if you use 650M iso, you will get a error "can't load kernel modules". Please certain you iso image ,good luck! 1、打开终端，root登录，使用如下命令查看自己的显卡型号 $ lspci -nn | egrep -i "3d|display|vga" 2、记下Nvidia显卡的型号与最前边的编号，比如下边是我的输出，标红处为需要记下的，请参考 00:02.0 VGA compatible controller [0300]: Intel

1、下载 CUDA cuDNN local 是完整的安装包 (离线安装) network 是一个下载器 然后使用下载器再下载安装包（在线安装） –by feifei 2、简介 CUDA : 是一种由NVIDIA推出的通用并行计算架构. CUDNN: NVIDIA cuDNN是 用于深度神经网络的GPU加速库 。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow 简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算 两者关系： cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。想要在CUDA上运行深度神经网络，就要安装cuDNN。 /* */ CUDA相当于平台，cuDNN相当于平台上的工具，安装cuDNN 才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。 3、安装CUDA 安装CUDA（默认路径安装，否则可能会出问题） 切记：若安装了360等安全软件，需要一直在看着点“允许运行” （安装选项全选保险） 自定义安装，都勾选。 —没有安装Greforce, 配置CUDA环境： Path： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10

我在笔记本上一开始跑cpu版本的tensorflow，感觉太慢了，跑个posenet卡成狗，就换成gpu版的。 记录下安装步骤 我的笔记本win10系统64位，mx250显卡。IDE是用的是pycharm https://www.jetbrains.com/pycharm/ 自己下 python3.6.8 cuda 9.1 cudnn7.1 tensorflow版本是1.8.0 python3.6.8可以自己去官网下载 https://www.python.org/downloads/windows/ 下第二个就行了，下好了安装下。 cuda cudnn 还有tensorflow可能比较慢 cuda https://developer.nvidia.com/cuda-toolkit-archive cudnn https://developer.nvidia.com/cudnn 这个要注册才能下载 tensorflow 因为你用pip装的可能不支持avx2啥的 https://github.com/fo40225/tensorflow-windows-wheel 在这边找个对应版本的 上面3个可能下载有点慢 我将他们放在百度盘里 链接: https://pan.baidu.com/s/1tVljecDtQYBd3XbcExaTsw 提取码: 2nr2 先把cuda装好

文章目录 写在前面 STEP.1 安装CUDA10.2 STEP.2 安装cuDNN7.6.5 结束 写在前面 上一篇文章（ 从0开始安装Ubuntu ）中，讲解了如何安装Ubuntu 18.04系统，以及安装完系统后的一些后续工作。 这篇文章主要讲解如何安装Nvidia相关的机器学习开发基础环境。还是老前提，使用本文的方式进行安装，需要有一个好用的梯子。 要做的事情： 安装Nvidia驱动与CUDA10.2 安装对应CUDA10.2版本的cuDNN7.6.5 机器配置： CPU：i9-7940X GPU：1080Ti × 2 内存：64G 磁盘：1T SSD + 2T HDD STEP.1 安装CUDA10.2 选用10.2这个版本目前是存在一些小问题的，tensorflow最新版本目前只支持CUDA10.0，不过问题不大，后面都能解决。如果不放心也可以安装10.0版本，安装过程都是一样的。 可能有人会有疑问，正常安装方式是先安装显卡驱动，然后再安装CUDA，为什么这里直接先CUDA？ 我之前也是这么安装的，但是存在一个问题，当显卡驱动与CUDA不能很好的匹配，则需要重新安装显卡驱动，然后再安装CUDA，比较耽误时间。后来我就采用这种方式，直接使用CUDA里面包含的显卡驱动，这样就能一气呵成，同时安装了显卡驱动与CUDA。 首先，访问Nvidia Cuda网址，下载 安装脚本 。

常见错误 nvidia-docker run -it -v 启动nvidia docker出现“legacy plugin: plugin not found” 详细错误 /usr/bin/docker-current: Error response from daemon: create nvidia_driver_390.46: create nvidia_driver_390.46: Error looking up volume plugin nvidia-docker: legacy plugin: plugin not found. See '/usr/bin/docker-current run --help'. 解决办法 nvidia-docker可能没有启动，如 执行命令，systemctl status nvidia-docker，是否会出现下面的log nvidia-docker.service - NVIDIA Docker plugin Loaded: loaded (/usr/lib/systemd/system/nvidia-docker.service; disabled; vendor preset: disabled) Active: inactive (dead) Docs: https://github.com/NVIDIA/nvidia

第一步：安装显卡驱动 首先在system settings选择software update，选择additional drivers，如果有相应的英伟达显卡驱动，直接点安装，即完成； 如果没有先去显卡驱动官网按照显卡型号下载相应的驱动程序， 网址:https://www.nvidia.cn/Download/index.aspx?lang=cn 驱动选择实例： 移除本机上的其他显卡驱动: sudo apt-get remove –purge nvidia-* 安装显卡驱动 sudo sh NVIDIA-Linux-x86_64-xxx.xx.run 安装完成后重启才会有效。 第二步：安装CUDA： 在官网下载相应的cuda版本,现在有cuda10.1版本的，其他版本参考官网安装命令: 官网链接：https://developer.nvidia.com/cuda-downloads 安装: sudo dpkg -i cuda-repo-ubuntu1604-10-1-local-10.1.243-418.87.00_1.0-1_amd64.deb sudo apt-key add /var/cuda-repo-10-1-local-10.1.243-418.87.00/7fa2af80.pub sudo apt-get update sudo apt-get -y install

1、实验环境 【1】基础 操作系统win10、 Anaconda3.5.1、 Python：base环境是Python3.7，可以创建独立环境 编译器：Pycharm2019.2 【2】 GPU：NVIDIA RTX 2080 Ti 显卡驱动：441.66，要和cuda版本适配 CUDA：10.1 cuDNN：7.6 【3】 框架 pytorch-gpu， TensorFlow-gpu， 创建独立环境， 注意版本，和硬件软件之间的兼容关系 2、显卡驱动 方法1：利用windows的【设备管理器】来下载安装。详细见这篇文章 电脑是怎么安装显卡驱动的教程-百度经验 https://jingyan.baidu.com/article/1e5468f956e45c484961b78d.html 选择在设备管理器中更新的驱动程序，都是经过微软数字签名认证的，对系统的兼容性更好，推荐使用 方法2：到NVIDA官网进行下载。详细见这篇文章 台式机、笔记本NVIDIA驱动程序下载安装的方法-百度经验 https://jingyan.baidu.com/article/49ad8bce8e038d5834d8fa39.html 【此电脑】右键【属性】——【设备管理器】——【显示适配器】，查看 根据【RTX 2080 Ti】——去NVIDA官网查看， NVIDIA 驱动程序下载 验证是否安装成功

Ubuntu安装CUDA后输入命令 nvidia-smi 报错： Failed to initialize NVML: Driver/library version mismatch after restart 搜索引擎大部分结果是让你重启，或者不能重启的话卸载内核重新加载之类。但我试了一下不奏效， 重启后还是一样的结果 。 找了半天原因之后终于知道了问题的关键，其实那一行错误已经提示得很明确了：内核和系统驱动不匹配。 输入命令 dmesg |grep NVRM ，结果如果提示kernel版本与driver版本不一致，就说明你遇到了和我一样的问题。 为什么会遇到这个问题呢？主要还是CUDA自己挖的坑，幸好我记了当时安装CUDA的日志： Installing the NVIDIA display driver... Installing the CUDA Toolkit in /home/ubuntu/software/cuda-9.0 ... Missing recommended library: libXmu.so Installing the CUDA Samples in /home/ubuntu/software ... Copying samples to /home/boaoli/software/NVIDIA_CUDA-9.0_Samples now...

NVIDIA CUDA Toolkit 用nvcc查看安装版本，但是nvcc -V找不到命令。然后在terminal中提示sudo apt-get install nvidia-cuda-toolkit安装 解决办法 法一：如果存在nvcc可执行文件，但当前用户无法进入cuda的lib等目录，那是权限问题 1、进入root用户，在root下配置环境变量，更新配置文件，查看nvcc su root vi ~/.bashrc # 在文件末尾添加环境变量 export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-9.0/lib64 export PATH=$PATH:/usr/local/cuda-9.0/bin export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-9.0 # wq! 保存退出 # 更新配置文件 source ~/.bashrc 2、执行 nvcc -V, 若结果正常显示，则是文件权限问题，我们可以对cuda文件夹加权限，使普通用户可用 chmod 777 cuda/* -R 3、然后配置普通用户的环境变量 vi ~/.bashrc # 在文件末尾添加环境变量 export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-9.0