英伟达

目标： 在2080Ti GPU上，运行PyTorch1.2 GPU版本。 经过确认，PyTorch1.2可以搭配CUDA10.0，而CUDA10.0搭配cuDNN7.6（官网下载页面可以直接看到）。最好别用CUDA10.1，出现过问题。 安装Anaconda，创建一个py3.6的pytorch环境。 具体步骤： 参考 这个教程 ，安装NVIDIA驱动。 注意安装时加上 -no-opengl-files 参数，防止登录自循环；下载可以用 wget 直接在服务器上下载，速度更快。 安装CUDA10.0 到 NVIDIA官网 ，下载CUDA Toolkit 10.0的runfile版本。注意看，官网也提示了安装操作。但不要照做。后面细说。 转移到服务器，执行： sudo sh cuda_xxx.run 长按空格跳过说明，Install NVIDIA Accelerated选择no，其他默认或选y。 安装完毕，警告是因为刚刚选了个n，没关系。 编辑环境变量： sudo vim ~/.bashrc ，添加以下三行： export CUDA_HOME=/usr/local/cuda export PATH=$PATH:$CUDA_HOME/bin export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD

https://github.com/NVIDIA/nvidia-docker/wiki/nvidia-docker-plugin#usage https://github.com/NVIDIA/nvidia-docker/issues/325 https://blog.csdn.net/cvmat/article/details/79589824 nvidia-docker pull nvidia/cuda:9.0-cudnn7-devel-ubuntu16.04 docker commit cb439fb2c714 mxnet/python:gpu root@nv-deeplearning:/media/nv/7174c323-375e-4334-b15e-019bd2c8af08/TFobjectDetection# docker images REPOSITORY TAG IMAGE ID CREATED SIZE kinfu latest ccd4af0db9f5 About a minute ago 14.2GB nvidia/cuda 9.0-cudnn7-devel-ubuntu16.04 65dee97b9662 12 days ago 2.74GB nvidia/cuda 9.2-cudnn7-runtime-ubuntu16.04 05f70023ad92

1 安装Ubuntu18.04.03 lts spt@spt-ts:~$ lsb_release -a No LSB modules are available. Distributor ID: Ubuntu Description: Ubuntu 18.04.3 LTS Release: 18.04 Codename: bionic spt@spt-ts:~$ df -ah Filesystem Size Used Avail Use% Mounted on udev 3.9G 0 3.9G 0% /dev tmpfs 794M 1.9M 792M 1% /run /dev/sda6 111G 5.5G 100G 6% / /dev/sda1 454M 112M 315M 27% /boot /dev/sdb1 916G 142M 870G 1% /home # swap设置了6GB 找了一个台式机，全盘格式化后，全新安装的Ubuntu18.04.3 LTS 2 安装NVIDIA显卡驱动 spt@spt-ts:~$ lspci | grep -i vga 01:00.0 VGA compatible controller: NVIDIA Corporation GM206 [GeForce GTX 950] (rev a1) 显卡：gtx 950 驱动和CUDA对应版本好要求：

cudnn的安装非常简单 （1）下载安装文件 按需求下载 cudnn的安装文件 ： https://developer.nvidia.com/rdp/cudnn-archive Tar File的下载如下图所示，选择红方框中的选项进行下载 下载的是cudnn-*tgz的压缩包时，按下方指令进行安装： 首先解压缩下的cudnn压缩包文件 tar -xzvf cudnn-9.0-linux-x64-v7.tgz 执行安装，其实就是拷贝头文件和库文件并给予权限 sudo cp cuda/include/cudnn.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn* （2）验证安装是否成功 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 如果显示 #define CUDNN_MAJOR 7 #define CUDNN_MINOR 6 #define CUDNN_PATCHLEVEL 2 -- #define CUDNN_VERSION (CUDNN_MAJOR *

y下载 https://github.com/BVLC/caffe https://github.com/BVLC/caffe/archive/master.zip gcc　　 caffe安装 有2个问题 ： 1，镜像系统类型，版本要求 2，是否使用cudnn(gpu) caffe要调用cudnn部分文件编译 (如用，cuda cudnn版本要求) ubuntu1604-py35-nvidia-tensorflow1.14-cuda9.0-cudnn7.05 nvcc 2 nvcc -V 3 wget -O /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.repo 4 yum install wget 5 wget -O /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.repo 6 wget -P /etc/yum.repos.d/ http://mirrors.aliyun.com/repo/epel-7.repo 7 yum clean all 8 yum makecache 9 yum install protobuf-devel leveldb-devel snappy

2019-8-28 参考网页： 如何在k8s集群中安装nvidia、cuda并使用GPU进行训练 https://blog.csdn.net/u013042928/article/details/78751015/ https://www.cnblogs.com/snake553/p/4941163.html 一，初始环境 oracle linux 7.4 带桌面安装 未做任何更新（安装桌面是为了连接wifi） 二，安装 安装驱动 1)、关闭X server #sudo init 3（建议用这个） 或 #systemctl stop gdm.service 2)禁用nouveau（因为它是一般linxu系统自带的显卡驱动，会和nvidia冲突，所以必须要关掉） 使用su命令切换到root用户下: su root #vi /lib/modprobe.d/dist-blacklist.conf 将nvidiafb注释掉。 #blacklist nvidiafb 然后添加以下语句： blacklist nouveau options nouveau modeset=0 3）重建initramfs image步骤 备份 initramfs 文件 # sudo mv /boot/initramfs-$(uname -r).img /boot/initramfs-$(uname -r).img

最近重装了几次，干脆写个笔记；另外我习惯用 oh-my-zsh 所以顺带写了安装这个后的配置方法。 安装显卡驱动 检查一下你有没有驱动 nvidia-smi 如果没有，那就去安装一下。 显卡安装教程 安装cuda 我的版本是 cuda_9.0.176_384.81_linux.run 切换到该文件目录下 # 先更改权限以免报错 chmod a+x cuda_9.0.176_384.81_linux.run # 再进行安装 sudo bash ./cuda_9.0.176_384.81_linux.run ## 下面是输出是我设定的安装结果。 Do you accept the previously read EULA? accept/decline/quit: accept Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.81? ( y ) es/ ( n ) o/ ( q ) uit: no Install the CUDA 9.0 Toolkit? ( y ) es/ ( n ) o/ ( q ) uit: yes Enter Toolkit Location [ default is /usr/local/cuda-9.0 ] : Do you want to install a symbolic

目录 一、安装CUDA 二、下载cuDNN 三、设置环境变量 四、查看安装是否成功 一、安装CUDA 1.博主这里选择 9.0 版本, CUDA历代版本 下载的网址为： https://developer.nvidia.com/cuda-toolkit-archive 2.如下选择 3.执行指令： sudo dpkg -i cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64.deb sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub sudo apt-get update sudo apt-get install cuda 二、下载cuDNN 1.网址： https://developer.nvidia.com/rdp/cudnn-archive 2.选择 7.4.1 的 cuDNN Library for Linux 下载 3.解压： sudo tar -zxvf cudnn-9.0-linux-x64-v7.4.1.5.tgz 4.复制 cuDNN 的文件到已经安装好的目录中 sudo cp cuda/include/cudnn.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

ubuntu16.04+cuda9.0+cudnn1.7.1环境搭建 ubuntu16.04+cuda9.0+cudnn1.7.1环境搭建 安装Ubuntu16.04 安装CUDA9.0 设置关机时自动切换成集成显卡 安装cuDNN7.1.4 安装Anaconda 安装pytorch 参考文献 安装Ubuntu16.04 从 TUNA 下载Ubuntu镜像 利用 大白菜 将Ubuntu镜像刻录到U盘，制作成启动盘 安装时将Ubuntu分成以下几个区 /boot ：400Mb swap：和内存大小相同 /：余下空间 Ubuntu 的软件源配置文件是 /etc/apt/sources.list。将系统自带的该文件做个备份，将该文件替换为下面内容，即可使用 TUNA 的软件源镜像。 # 默认注释了源码镜像以提高 apt update 速度，如有需要可自行取消注释 deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ xenial main restricted universe multiverse # deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ xenial main restricted universe multiverse deb https://mirrors.tuna

GCC, G++版本降级： 由于CUDA 9.0仅支持GCC 6.0及以下版本，而Ubuntu 18.04预装GCC版本为7.3，故手动安装gcc-5与g++-5： sudo apt-get install gcc-5 sudo apt-get install g++-5 sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50 sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50 gcc -v -------------------------------------------------- Using built-in specs. COLLECT_GCC=gcc COLLECT_LTO_WRAPPER=/usr/lib/gcc/x86_64-linux-gnu/5/lto-wrapper Target: x86_64-linux-gnu Configured with: ../src/configure -v --with-pkgversion='Ubuntu 5.5.0-12ubuntu1' --with-bugurl=file:///usr/share/doc/gcc-5/README.Bugs -