英伟达

1. steam 自带的OpenGL 库是过时的，运行可能会抱怨“Cannot find OpenGL GX” 之类的东西，看ArchWiki 「steam」条目，删除steam 自带的几个库。 2. 但是删除了steam 自带的那些库之后你需要在系统中安装新版的库，除去64 位的库之外（不可能还有人在用32 位的系统吧），看看有没有「lib32-mesa」和「lib32-mesa-libgl」，双显卡的lib32 还需要安装「lib32-intel-dri」，不要问为什么，不装上的话会非常非常卡，「primusrun」会不声不响失败，「optirun」会提示“cannot find opengl entry point xxxx” 之类的东西。 3. NVIDIA 的驱动需要安装「nvidia」而不是「nouveau」，同时安装「nvidia-utils」 和 「lib32-nvidia-utils」 。不过「bumblebee」安装的时候可能会有依赖冲突，看ArchWiki 的「bumblebee」条目，好象是同时安装「intel-dri」、「xf86-video--intel」、「bumblebee」和「nvidia」来规避依赖冲突。 4. 「bumblebee」是用来切换独显来运行某个程序的东西，但是「startx」进入桌面环境还是用的Intel 核心显卡，所以不要生成

在Windows上安装Tensorflow Tensorflow可以说是目前最火的机器学习框架。由于某些原因，我只能在Windows上使用GPU版本的Tensorflow。好在 Tensorflow1.0在最近也发布了，对于windows平台的支持也不错，这里将安装过程记录一下。 安装Python/Anaconda 首先第一步当然是安装python，直接去 python官网 下载安装就好了，不过tensorflow在windows平台上只支持python3.5x以上的版本，下载时需要注意。 通常开发的时候还需要numpy, scipy等数据挖掘，科学计算方面常用的包。python官方是没有的，用到时又需要去下载。为了免去这个麻烦，我们还可以直接安装python的发行版Anaconda，这个发行版包含了大部分常用的包，开箱即用。Anaconda下载地址 https://www.continuum.io/downloads#windows ， 也是注意要选python3.5以上的版本。 安装Tensorflow 在命令行直接使用pip安装Tensorflow C:> pip3 install --upgrade tensorflow GPU版本用 C:> pip3 install --upgrade tensorflow-gpu 安装CUDA和cuDNN(GPU版本)

每秒浮点运算次数 [ 编辑 ] 维基百科，自由的百科全书 跳到导航 跳到搜索 此条目 需要补充更多 来源 。 ( 2018年2月28日) 请协助添加多方面 可靠来源 以 改善这篇条目 ， 无法查证 的内容可能会因为 异议提出 而移除。 每秒浮点运算次数 （亦称 每秒峰值速度 ）是每秒所执行的 浮点 运算次数（ 英语： Floating-point operations per second；缩写： FLOPS ）的简称，被用来估算 电脑效能 ，尤其是在使用到大量浮点运算的科学计算领域中。因为FLOPS字尾的那个S代表 秒 ，而不是 复数 ，所以不能够省略。 浮点运算 实际上包括了所有涉及浮点数的 运算 ，在某类应用软件中常常出现，比较整数运算更用时间。现今大部分的 处理器 中都有 浮点运算器 。因此每秒浮点运算次数所量测的实际上就是浮点运算器的执行速度。而最常用来测量每秒浮点运算次数的基准程式（benchmark）之一，是 Linpack 。 目录 1 评价 2 换算 3 其他 3.1 FLOPS 3.2 MFLOPS 3.3 GFLOPS 3.4 TFLOPS 3.5 PFLOPS 3.6 EFLOPS 4 参见 5 注释 6 外部链接 评价 [ 编辑 ] 许多专家 [谁？] 对每秒浮点运算次数颇多微词，认为它并不是一个有意义的量度

步骤零：安装anaconda、opencv、pytorch（这些不详细说明）。复制运行代码，如果没有报错，说明已经可以了。不过大概率不行，我的会报错提示 AssertionError: Torch not compiled with CUDA enabled 。说明需要安装CUDA，或者安装的pytorch版本是不带CUDA的版本，需要按照以下步骤操作。 步骤一：安装CUDA 步骤二：安装cuDDN 步骤三：测试运行代码 附：电脑不支持CUDA或者不想用gpu加速深度学习的 安装CUDA 这就是用来调用gpu的工具，进行高效并行计算 打开控制面板->NVIDIA控制面板->帮助->系统信息->组件，查看NVCUDA.DLL版本（有些电脑可能不支持CDUA，解决方法在文章最后） 进入这个网站下载对应版本的CUDA https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal 下载以后选择自定义安装，选择全部组件安装。注意记下这里的安装目录。 安装cuDDN 可以理解为cuda的一个补丁，用来加速深度学习的一些运算的，特地针对深度学习进行优化了（我做的时候没有安装，应该也可以）

1. 环境 ubuntu16.04 GTX1080Ti x 4 nvidia-418 cuda-10.1 pytorch1.0.0 目标：在最新的显卡驱动下，使用不同版本的cuda和深度学习框架来执行、编译模型代码。 2. 前言 众所周知，NVIDIA的cuda版本更新的很快，且不同cuda版本不兼容，所以导致有些模型的部分layer在cuda编译时，十分的麻烦。 例如我碰到的例子，实验室需要运行flownet2.0，NVIDIA给出了官方实现，但其中有几个layer使用了cuda编写，在运行模型之前要先编译这几个layer，这就导致了几个问题： pytorch版本限制为0.4.1 ，实验室服务器的版本是1.0.0 cuda版本要求9.0 ，实验室服务器的版本是10.1 在不能回退服务器版本的情况下，就需要献上docker大法了，这也是本篇博客的主题。 3. 更新nvidia驱动 在切换cuda之前，我推荐给你的服务器来个大升级，把驱动更新到最新以支持最新版的cuda（目前是10.1）。 但是驱动也不是随意更新的，例如我安装nvidia-410和nvidia-415驱动，都不能识别显卡（nvidia-smi命令运行不了）。 大家肯定常常听说，cuda的恐怖之处在于需要和显卡驱动版本对应，其实cuda-8.0后就没有这个问题了，可以看NVIDIA给出的版本对照表格： https:/

原文引用 https://www.dazhuanlan.com/2019/08/25/5d623a2c4a7e6/ kubernetes提供对分布式节点上的AMD GPU和NVIDIA GPU管理的实验性的支持。在V1.6中已经添加了对NVIDIA GPU的支持，并且经历了多次 向后不兼容的迭代。通过设备插件在v1.9中添加了对AMD GPU的支持。 从1.8版本开始，使用GPU的推荐方法是使用驱动插件。要是在1.10版本之前通过设备插件启用GPU支持，必须在整个系统中将DevicePlugins功能 设置为true: --feature-gates="DevicePlugins=true 。1.10之后版本不需要这么做了。 然后，必须在节点上安装相应供应商GPU驱动进程，并从GPU供应商(AMD/NVIDIA)运行相应的设备插件。 二.kubernetes集群部署GPU kubernetes集群版本: 1.13.5 docker版本: 18.06.1-ce os系统是版本: centos7.5 内核版本: 4.20.13-1.el7.elrepo.x86_64 Nvidia GPU型号: 2.1 安装nvidia驱动 2.1.1 安装gcc 1 [root@k8s-01 ~]# yum install -y gcc 2.1.2 下载nvidia的驱动 下载链接: https:/

How to install Tensorflow GPU with CUDA 10.0 for python on Windows 在cuda 10.0的windows上安装Tensorflow GPU, python ref: https://www.pytorials.com/how-to-install-tensorflow-gpu-with-cuda-10-0-for-python-on-windows/ Before start, Notations neet to know: Tasks （四位爷）: 装 visual studio 装 Cuda 装 cuDNN 装 tensorflow 那么问题是， 这四位爷的版本得对上。 所以就有人做了这个东西： https://github.com/fo40225/tensorflow-windows-wheel 里面详细列出来每个安装包对应的四位爷的版本。 以这一行： 1.14.0\py37\GPU\cuda101cudnn76avx2 VS2019 16.1 10.1.168_425.25/7.6.0.64 AVX2 Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5 解释一下： 第一列： 在github这个项目里，whl安装包的路径 第二列： Compiler版本 第三列：

1.删除旧驱动 # sudo apt-get purge nvidia* 2.禁用nouveau a.检测nouveau开启状态： # lsmod | grep nouveau b.创建黑名单文件 # cd /etc/modprobe.d # sudo vi /etc/modprobe.d/blacklist-nouveau.conf 加入以下语句并保存退出vi编辑器： blacklist nouveau options nouveau modeset=0 c.更新配置 # sudo update-initramfs –u d.卸载nouveau # modprobe -r nouveau 确认卸载nouveau 成功 # lsmod | grep nouveau 3.安装driver b.关闭图形界面 # sudo service lightdm stop 或者 # sudo /etc/init.d/lightdm stop c.双显卡机器的主显示卡如果不是当前的NVIDIA显卡就不可以安装OpenGL Libraries，注意提示安装时选择no sudo sh NVIDIA-Linux-x86_64-410.48.run d.打开图形界面 #sudo service lightdm start 4.检查安装结果： #nvidia-smi #nvidia-settings 来源：

GPU信息查看：nvidia-smi 来源： https://blog.csdn.net/GodDavide/article/details/100043123

前不久推出了 ml agents 3.0，想着学习看看，开始先安装环境。 按照 官方给出的 demo 安装，依然避免不了踩坑。 官方 windows 安装： 官方 github windows https://github.com/Unity-Technologies/ml-agents/blob/master/docs/Installation-Windows.md 1. 官方安装的 是 Anaconda，python的一个发行版，我之前学python 的时候已经安装了一个python 3.6，就没再安装Anaconda了 2. 然后开始安装各种库，首先就是 tensorflow，这个和最后安装的tensorflow -gpu 类似，前者 cpu 版本，后者 gpu 版本。需要翻墙才能顺利安装。。。pip3 install --proxy http://127.0.0.1:1080 tensorflow 3.从官方github 下载安装所需库 pip install . 4. 下载 cuda 进行安装，安装版本为8.0 ，地址： cuda 下载地址 https://developer.nvidia.com/cuda-toolkit-archive 下载 cuDNN 进行安装，需要进行开发者注册才行，安装版本6.0,he cuda 8.0 匹配，地址： cuDNN 下载地址