英伟达

　　OpenCL（全称Open Computing Language，开放运算语言）是第一个面向异构系统通用目的并行编程的开放式、免费标准，也是一个统一的编程环境，便于软件开发人员为高性能计算服务器、桌面计算系统、手持设备编写高效轻便的代码，而且广泛适用于多核心处理器(CPU)、图形处理器(GPU)、Cell类型架构以及数字信号处理器(DSP)等其他并行处理器，在游戏、娱乐、科研、医疗等各种领域都有广阔的发展前景。 基本信息 　　OpenCL是一个为异构平台编写程序的框架，此异构平台可由CPU，GPU或其他类型的处理器组成。OpenCL由一门用于编写kernels （在OpenCL设备上运行的函数）的语言（基于C99）和一组用于定义并控制平台的API组成。OpenCL提供了基于任务分割和数据分割的并行计算机制。 　　OpenCL类似于另外两个开放的工业标准OpenGL和OpenAL，这两个标准分别用于三维图形和计算机音频方面。OpenCL扩展了GPU用于图形生成之外的能力。OpenCL由非盈利性技术组织Khronos Group掌管。 历史发展 　　OpenCL最初苹果公司开发，拥有其商标权，并在与AMD，IBM，英特尔和NVIDIA技术团队的合作之下初步完善。随后，苹果将这一草案提交至Khronos Group。 　　2008年6月的WWDC大会上，苹果提出了OpenCL规范

Deep server from scratch 1.install Ubuntu16.04 via flash 2.wired Network by Ruijie 3.install google 4.Sogou pinyin 5.Tsinghua mirrors 6.SSH server 7. Typora 8.sublime3 9.git 10.NVIDIA drive + cuda + cudnn (1)NVIDIA drive: https://www.cnblogs.com/pprp/p/9463974.html (2)cuda_8.0.61_375.26_linux.run (3)cudnn-9.0-linux-x64-v7.1.tgz 11.Pycharm 12: miniconda 1.install Ubuntu16.04 via flash https://www.cnblogs.com/pprp/p/9607245.html 2.wired Network by Ruijie https://www.cnblogs.com/nanzhao/p/9575226.html 3.install google https://blog.csdn.net/lxlong89940101/article/details/86287279 4.Sogou pinyin

在只有独显的情况下，禁用nouveau驱动会使显示器无信号。大家还可以参考这个文章 https://blog.csdn.net/dihuanlai9093/article/details/79253963/ ， 1. 先在 NVIDIA官网 上下载对应的驱动程序，可根据自己的GPU的型号下载相应的.run文件；下载好放在home 下面 2. 禁用开源nouveau驱动 sudo gedit /etc/modprobe.d/blacklist-nouveau.conf 填入一下内容 blacklist nouveau options nouveau modeset = 0 3. 运行 sudo update-initramfs -u 4. 验证是否成功禁用nouveau 关掉终端，重新打开，然后输入命令： sudo lspci | grep nouveau 如果没有内容显示，则禁用成功。 5. 配置grub启动 sudo gedit /etc/default/grub GRUB_CMDLINE_LINUX_DEFAULT="quiet splash" GRUB_CMDLINE_LINUX="" 将上面两句修改为： GRUB_CMDLINE_LINUX_DEFAULT="quietsplash text" GRUB_CMDLINE_LINUX="rdblacklist

先说以下本人使用的dense flow源码：https://github.com/daveboat/denseFlow_GPU 下面是这次配置的环境和机器配置： 系统：Ubuntu16.04 显卡：GeForce RTX 2080 cuda 9.0 cudnn 7.0.5 opencv-3.4.0（带cuda版本的） 安装显卡驱动 进入英伟达官网： 驱动下载 查找自己的显卡型号对应的linux版本驱动 下载的为.run格式的文件，拷贝到home文件夹 打开终端输入： $ lsmod | grep nouveau 如果有输出则创建文件： $ sudo gedit /etc/modprobe.d/blacklist-nouveau.conf 然后在文件中输入： blacklist nouveau options nouveau modeset=0 保存文件后在终端输入： $ sudo update-initramfs -u 再输入： $ lsmod | grep nouveau 若无输出则证明已成功关闭Nouveau。 在ubuntu下按ctrl+alt+f1进入命令行界面。 输入用户名和密码。 输入： sudo service lightdm stop 为驱动文件赋予权限： sudo chmod a+x 驱动名称.run 安装： sudo sh ./驱动名称.run

记录错误，我是debug发现到loss.backward()这句话会直接跳出这个错误，如果使用cpu而不用gpu跑不会报错，但只要model.cuda()，即使用gpu就会报错。 解决方法：最终更新了pytorch版本，由原来的1.2.1换成1.3.1后，问题解决。 可能原因：我的电脑自带cuda版本是10.2，比较新，应该选择最新版本的cuda。 查看电脑cuda版本：右击桌面--》NVIDIA控制面板--》通过预览调整图像设置--》系统信息（最左下方）--》组件 pytorch官网选择cuda10.1后最新版本的pytorch1.3.1，而我之前选择的是cuda9.2，可能有点旧了。 来源： CSDN 作者： weixin_40808185 链接： https://blog.csdn.net/weixin_40808185/article/details/103994176

现在慢慢进入GPU的世界， 参考安装URL： https://github.com/NVIDIA/nvidia-docker # If you have nvidia-docker 1.0 installed: we need to remove it and all existing GPU containers docker volume ls -q -f driver=nvidia-docker | xargs -r -I{} -n1 docker ps -q -a -f volume={} | xargs -r docker rm -f sudo yum remove nvidia-docker # Add the package repositories distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.repo | \ sudo tee /etc/yum.repos.d/nvidia-docker.repo # Install nvidia-docker2 and reload the Docker daemon configuration sudo yum

--http://blog.csdn.net/longji/article/details/60964998 注意： 在cmake的时候需要根据情况仔细修改配置，比如，如果gpu的能力不足3.0的话，在windows上就不能开启cudnn，应当设置为OFF，否则后面运行的时候将开启cudnn，但是事实上硬件不能支持，倒时候还得回来重新修改配置重新编译。 01 必备环境 win10企业版，有GPU的硬件。 vs2015 update3、cmake 3.7.2。 Git 、python3.5.3、CUDA8.0、cuDNN5.1。 cuda_8.0.61_win10.exe 下载地址： http://developer.download.nvidia.com/compute/cuda/8.0/secure/Prod2/local_installers/cuda_8.0.61_win10.exe?autho=1487739113_9ad462b1e508ab177490b79065da6a6a&file=cuda_8.0.61_win10.exe 安装后有如下环境变量： CUDA_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0 CUDA_PATH_V8_0=C:\Program Files\NVIDIA GPU

作者 | 车漾 阿里巴巴高级技术专家 本文整理自 《CNCF x Alibaba 云原生技术公开课》 第 20 讲。 关注“阿里巴巴云原生”公众号，回复关键词 “入门” ，即可下载从零入门 K8s 系列文章 PPT。 导读 ：2016 年，随着 AlphaGo 的走红和 TensorFlow 项目的异军突起，一场名为 AI 的技术革命迅速从学术圈蔓延到了工业界，所谓 AI 革命从此拉开了帷幕。该热潮的背后推手正是云计算的普及和算力的巨大提升。 需求来源 经过近几年的发展，AI 有了许许多多的落地场景，包括智能客服、人脸识别、机器翻译、以图搜图等功能。其实机器学习或者说是人工智能，并不是什么新鲜的概念。而这次热潮的背后，云计算的普及以及算力的巨大提升，才是真正将人工智能从象牙塔带到工业界的一个重要推手。 与之相对应的，从 2016 年开始，Kubernetes 社区就不断收到来自不同渠道的大量诉求：希望能在 Kubernetes 集群上运行 TensorFlow 等机器学习框架。这些诉求中，除了之前文章所介绍的，像 Job 这些离线任务的管理之外，还有一个巨大的挑战：深度学习所依赖的异构设备及英伟达的 GPU 支持。 我们不禁好奇起来：Kubernetes 管理 GPU 能带来什么好处呢？ 本质上是成本和效率的考虑。由于相对 CPU 来说，GPU 的成本偏高。在云上单 CPU

lspci | grep -i vga 这样就可以显示机器上的显卡信息，比如 [root@localhost conf]# lspci | grep -i vga 01:00.0 VGA compatible controller: nVidia Corporation Device 1081 (rev a1) 02:00.0 VGA compatible controller: nVidia Corporation GT215 [GeForce GT 240] (rev a2) 08:05.0 VGA compatible controller: ASPEED Technology, Inc. ASPEED Graphics Family (rev 10) 如果想看详细的信息，比如 GeForce GT 240，即 02:00.0 [root@localhost conf]# lspci -v -s 02:00.0 02:00.0 VGA compatible controller: nVidia Corporation GT215 [GeForce GT 240] (rev a2) (prog-if 00 [VGA controller]) Subsystem: ASUSTeK Computer Inc. Device 8351 Flags: bus master, fast

旧版的驱动是330.xx，现在想要升级到440.33.01 在这里搜索下载对应驱动，搜索完毕后有个产品支持列表可以查看该驱动支持哪些GPU 如果是首次安装可以直接下载CUDA的安装包，CUDA安装包有安装驱动的选项。 环境 内核：3.10.0-514.26.1.el7.x86_64 gcc：4.8.5 卸载旧版驱动 使用 chmod a+x 给下载的.run文件添加执行权限 然后使用 --uninstall参数进行旧版驱动卸载 chmod a+x NVIDIA-Linux-x86_64-440.33.01.run ./NVIDIA-Linux-x86_64-440.33.01.run --uninstall 安装驱动 因为原来是有驱动的，就不需要按首次安装NVIDIA驱动那样操作了。直接执行安装命令 ./NVIDIA-Linux-x86_64-440.33.01.run 没有报错的话很快就安装完成 问题 提示：An error occurred while performing the step: "Building kernel modules" 直接拿着这个报错信息去找解决方法基本没有找到，还是先认真查看驱动安装日志再去找解决方法比较靠谱。在日志中发现下面一行： Cannot use CONFIG_CC_STACKPROTECTOR_STRONG: -fstack