英伟达

开始用附加驱动安装了nvidia 435，但是分辨率依然只有1024*768，意识到是显卡驱动装得有问题，故按照下面的blog安装了驱动。 https://www.cnblogs.com/zmbreathing/p/Nvidia-driver_ubuntu.html nvidia-smi 显示错误NVIDIA-SMIna has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.有人说是linux内核不匹配，然后我按照 这个 试了所有版本内核依然不行。 然后又搜到 这个 ，知道解决该问题的方法有 解决方案一：sudo modprobe nvidia ，然后再运行nvidia-smi. --------------------- 作者：hhhuua 来源：CSDN 原文：https://blog.csdn.net/hhhuua/article/details/80734092 版权声明：本文为博主原创文章，转载请附上博文链接！ 方法二：禁用安全启动选项 https://stackoverflow.com/questions/42348400/nvidia-smi-failed

　　　　1.检测cuda：win+R,输入cmd进入命令行，输入nvidia-smi检查nvidia驱动版本（必须nvidia驱动才能跑gpu），输入nvcc -V ，出现如图所示信息，则安装cuda成功： 　　　　2.在cuda的include目录下找到了cudnn.h，则证明cudnn安装成功（cudnn是一套组件，是对cuda图形处理功能的补充）。 （注：cuda在系统中的默认安装位置为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA，并且一般只能选择默认安装位置） 　　　　3.此处使用的是anaconda安装pytorch，因此在pycharm中配置环境时，依次选择 file --> setting --> project --> 点击 Project Interpreter右侧的小齿轮 --> 选择Add Python Interpreter： 在弹出的界面中选择第二个Conda Environment，选中Existing Environment,设置路径为anaconda安装路径下的python.exe,如下图： 　　　　如此，即完成了对gpu版本pytorch的配置，要验证是否安装成功，在pycharm的Terminal输入代码： 1 python 2 import torch 3 torch.cuda.is

NVIDIA Jetson开发板的历史价格一直是几百美元，在最新的高性能产品中，Jetson AGX Xavier的价格是1299美元。Jetson Nano的零售价仅为99美元，不过很明显它的性能无法与AGX Xavier相媲美。Jetson Nano开发工具包是被动冷却的，但在PCB上有一个4针风扇头和铝散热器上的螺丝孔，如果你想安装一个风扇更好地冷却。 凭借这款低成本的Jetson平板，Nano使用了与几年前Jetson TX1类似的Tegra芯片。该Tegra X1 SoC具有四核Cortex-A57处理器和128核NVIDIA Maxwell图形…虽然没有X2或AGX Xavier那么有趣，但是考虑到通常在100美元以下的Arm开发板中可以找到soc，这仍然不算差。 Jetson Nano还提供4GB的LPDDR4内存、千兆以太网、12条MIPI通道、4个USB端口，最多可以同时驱动两个显示器。这些特性和麦克斯韦的图形很容易使Nano的性能远远领先于大多数(甚至所有?)Arm开发人员正在争夺低于100美元的市场。使用旧的Tegra X1设计的一个好处是，开源Linux内核支持比刚刚发布的soc更好，甚至在新驱动程序栈中还有开源的Tegra Maxwell图形支持。 与具有eMMC存储功能的高端Jetson电路板不同，Jetson Nano依靠microSD卡存储

在配置Tensorflow环境过程中，由于版本和驱动不对应，导致调试时一直报错，请后续者在配置前，务必参看CUDA和CUDNN与Tensorflow的对应关系后再动手，避免不必要的时间浪费。本文系统环境是Ubuntu18.04,显卡是GeForce GTX960M。链接2在较新的硬件安装时用，可大辐节省时间。 本文参考链接1： https://blog.csdn.net/BigData_Mining/article/details/99670642 本文参考链接2： https://www.cnblogs.com/ManWingloeng/p/11489122.html 一、安装N卡驱动： 1，查看N卡信息。 1 nvidia-smi 2，删除旧版N卡驱动。 1 sudo apt-get remove nvidia-* 2 sudo apt-get autoremove 3，获取系统推荐驱动（括号带recommended的），并安装该驱动，我的是440。 1 ubuntu-drivers devices 1 sudo apt-get install nvidia-settings nvidia-driver-440 nvidia-prime 4，重启。 1 sudo reboot 二、安装CUDA10.1及CUDNN7.6.1 1，查看适合本机的CUDA及CUDNN版本。 1

安装VMware 安装ubuntu系统 ubuntu18.04访问不到服务器解决办法 设置镜像服务器 由于Ubuntu中的软件都是从Ubuntu服务器中中下载安装的，Ubuntu的服务器在美国，我们使用下载较慢，但是有很多国内镜像可以使用，这样可以大大提高软件安装和更新的速度 找到左下角的框中图标，点击后，在出现的界面中找到 软件与更新 图标 选择 其他站点 点击 关闭按钮 , 出现下面的界面，选择 重新载入 软件更新 　　sudo apt update, 只会显示可以更新的 软件列表　 　　 　　sudo apt upgrade, 更新 可以更新的软件列表 使用pip方式安装tensorflow参考链接 首先明确，我们采用python3环境。 先确认本机已安装好python3的环境 python3 --version pip3 --version virtualenv --version 如没有则安装以下命令安装： $ sudo apt-get install python3-pip python3-dev $ sudo pip3 install -U virtualenv 创建虚拟环境（推荐） Python虚拟环境用于将包安装与系统隔离。 //通过选择Python解释器并创建./venv目录来保存一个新的虚拟环境： $ virtualenv --system-site

Ubuntu对NVIDIA的显卡支持也真是醉了。安装和启动各种卡在启动界面，强制重启数次。。。其实解决办法都差不多，修改显示方式 安装时 在这里按“e”建进入编辑，修改倒数第二行： 将 quite splash - - - 改为 quite splash nomodeset 启动时类似，e键进入修改为nomodeset 安装显卡驱动，如果要安装caffe这里的显卡太新了，选择后面一种方式安装。而且安装cuda时第一个选项选“n”不不安装其推荐的驱动。 手动安装驱动，建议375吧 安装方式一（推荐）： 下载NVIDIA驱动： https: //pan.baidu.com/s/1kUYdHwN 密码: v2fz # 添加执行权限 chmod +x NVIDIA-Linux-x86_64- 375.66 .run # 先按Ctrl + Alt + F1到控制台，关闭当前图形环境 $sudo service lightdm stop # 再安装驱动程序 $sudo sh NVIDIA-Linux-x86_64-xxx.run # 测试，会显示显卡驱动 nvidia -smi # 最后重新启动图形环境 $sudo service lightdm start 安装方式二（可能会被系统还原为 384 ）： 1. 删除之前安装的nvidia驱动，运行 sudo apt -get purge

----系统版本：CentOS Linux release 7.7.1908 ----显卡：P1000 1、添加ELRepo源 $ rpm -- import https: //www.elrepo.org/RPM-GPG-KEY-elrepo.org $rpm - Uvh http: //www.elrepo.org/elrepo-release-7.0-4.el7.elrepo.noarch.rpm 不同操作系统添加源请看 此处 2、安装显卡检测程序 $ yum install nvidia-detect 3、检测显卡 $ nvidia-detect -v Probing for supported NVIDIA devices... [10de:1cb1] NVIDIA Corporation GP107GL [Quadro P1000] This device requires the current 430.40 NVIDIA driver kmod-nvidia WARNING: Xorg log file /var/log/Xorg.0.log does not exist WARNING: Unable to determine Xorg ABI compatibility WARNING: The driver for this device does not

docker小白… 搭建基础：宿主机已经有CUDA8.0 进出快捷键： ctrl+d 退出容器且关闭, docker ps 查看无 ctrl+p+q 退出容器但不关闭, docker ps 查看有 使用docker restart命令重启容器 使用docker attach命令进入容器 文章目录 一、安装 二、nvidia-smi的使用 1、拉取镜像、开启容器 2.上传容器与创建镜像 3.容器与镜像删减 . 4.容器改名 5.容器的保存 . 6.在tensorflow容器中打开Jupyter notebook 主题换色（参考：https://github.com/dunovank/jupyter-themes）： 延伸一：如果修改Jupyter notebook密码 延伸二：报错：OSError: [Errno 99] Cannot assign requested address . 7.在容器中打开nvidia/digits 三、tensorflow安装 延伸： 延伸二： 延伸三：上传至阿里云 延伸三：docker 之中screen 与主机的环境不一样，py版本不一样 参考： 一、安装 参考： Docker Compose + GPU + TensorFlow = ❤️ Docker版本分为CE（community edution）和EE（enterprise edition）

1.物理机安装显卡驱动 2.安装nvidia-docker wget -P /tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.0-rc.3/nvidia-docker_1.0.0.rc.3-1_amd64.deb sudo dpkg -i /tmp/nvidia-docker*.deb && rm /tmp/nvidia-docker*.deb 3.下载image nvidia-docker pull nvidia/cuda:6.5 4.启动 nvidia-docker run --rm nvidia/cuda:6.5 nvidia-smi docker: Error response from daemon: create nvidia_driver_352.93: create nvidia_driver_352.93: Error looking up volume plugin nvidia-docker: plugin not found. 出错的话，先运行 nvidia-docker-plugin 阿里云加速 curl -sSL http://acs-public-mirror.oss-cn-hangzhou.aliyuncs.com/docker-engine/internet |

关于环境配置的文章可以算得上是月经贴了，随便上网一搜，就有大把的文章。但我觉得还是有必要记录一下我最近一次的深度学习环境配置，主要原因在于各种软件在快速更新，对应的安装配置方法也会有一些变化。 这篇深度学习环境配置有两个关键词，一个是Docker虚拟机，另一个是GPU加速。 开始之前 Docker虚拟机 首先说一下Docker虚拟机。为什么需要虚拟机？不知道你是否有过这样的经历，在github上看到一个有趣的开源项目，把代码下载下来，按照项目上的说明编译运行，结果发现怎么也不能成功。 或者反过来，你开发了一个不错的项目，丢到github，并把编译步骤尽可能详细的写了出来，然而还是有一堆开发者发布issue，说代码编译运行存在问题。你也很无辜啊，明明在我这儿好好的，怎么到了别人那里就状况百出呢？ 为什么会出现这个状况？主要是软件行业讲究快速迭代，快步向前，软件会不停更新。就拿TensorFlow来说，从发布到现在，不知道更新了多个版本。虽然作为软件开发者会尽力保证向前兼容，但实际上很难做到完美兼容。为了解决这一兼容问题，就有必要使用到虚拟机，现在很多开源项目都会提供一个虚拟机文件，里面包含了所有项目所需的软件包和环境。 GPU加速 接下来说一下GPU加速。使用Docker虚拟机解决了开发环境问题，但同时又引入了另一个问题：虚拟机通常无法启用GPU。我们知道，深度学习属于计算密集型应用