cudnn

GPU和CPU区别 NVIDIA 的 GeForce 显示卡系列采用 GPU 特性进行快速计算，渲染电脑画面，比如大型游戏，图像处理等场景的画面 深度学习的训练过程中，包含了大量重复性的计算，利用 GPU 的计算和并行特性，可提高训练的效率，具备 GPU 特性的电脑显卡就有用武之地啦！ 使用 GPU 的计算前需要做些准备，下面以 window 7 x64 系统为例子 一，检查显卡类型和计算能力 1，查看笔记本显卡型号，以及计算能力 下载个 GPU 查看器， https://www.techpowerup.com/download/gpu-z/ 我笔记本显卡型号：NVIDIA GeForce 940M 2，确定对应显卡 GPU 的计算能力 去 NVIDIA 官网查看 https://developer.nvidia.com/cuda-gpus NVIDIA GeForce 940M Compute Capability 是 5.0 tensorflow 1.3 版本要求 GPU 计算能力必须在 3.0 以上 https://www.tensorflow.org/versions/r1.3/install/install_windows GPU card with CUDA Compute Capability 3.0 or higher. See NVIDIA

Ubuntu18.04环境下的安装: 主要参考下面这个博客： https://blog.csdn.net/u010801439/article/details/80483036 https://blog.csdn.net/ice__snow/article/details/80144503 1.安装GPU英伟达驱动（针对ubuntu18.04） step .1： 首先，检测你的NVIDIA图形卡和推荐的驱动程序的模型。执行命令： $ ubuntu-drivers devices 输出结果为： == /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 == modalias : pci:v000010DEd00001180sv00001458sd0000353Cbc03sc00i00 vendor : NVIDIA Corporation model : GK104 [GeForce GTX 680] driver : nvidia-304 - distro non-free driver : nvidia-340 - distro non-free driver : nvidia-384 - distro non-free recommended driver : xserver-xorg-video-nouveau - distro

Ubuntu 17.10 + Cuda9.0 + CUDNN + Tensorflow最正确姿势排坑 博主之前一直使用16.04与win10双系统，但是由于当初安装系统时候引导安装的有点问题，导致ubuntu使用起来一直有些毛病，搞了好久也没搞好，索性就想到干脆重新把系统装一下。作为一个爱尝鲜的用户，使用了这么长时间平平淡淡的长期稳定支持版，还是想要换换口味试试最新的17.10版本，不过鉴于长期支持版的18版本再过不久就会放出来了，估计17.10的寿命和用户数量也不会太多了，也正是这个原因导致网络上相关的教程太少，而且坑非常多（可能是时间原因，当时的教程对现在的驱动和cuda版本不适用了），尤其是CUDA的安装，一不小心就会导致开不了机，在折腾了两天历经万难，终于自己摸索出了一套方法解决了问题，所以写一点东西，给可能需要的人，博主自己也是小菜鸟，就是分享分享自己遇到的坑，基本纯手打了一下午，难免有小差错，有什么不对的地方欢迎大佬们指正。 PS：博主显卡1060,应该10系显卡都没有问题，其他没有测试过，不过应该没有问题，如果有的话欢迎交流分享经验 一、Ubuntu17.10安装 这个就不展开讲了，网上教程太多，注意分区的时候系统引导就好了，不要和windows装到一起了，这样的话相当于是把Ubuntu装成了win系统下的一个软件，速度会减慢很多，并且会出现很多问题 进入系统

转载自：https://blog.csdn.net/u010801439/article/details/80483036 非常感谢原作写的这篇博文，自己根据步骤已经实现了。现转载此博文仅是为了保存以防日后重装之用！ ubuntu 18.04 安装GPU +CUDA+cuDNN ： 目前，大多情况下，能搜到的基本上都ubuntu 14.04.或者是ubuntu 16.04的操作系统安装以及GPU 环境搭建过程，博主就目前自身实验室环境进行分析，总结一下安装过程。 1.实验室硬件配置（就需要而言）： 2 .ubuntu18.04 系统安装 首先，建议 制作U盘启动盘（点击此处） 进行安装，安装时需要设定主板 grub+legacy方式（重启进bios，boot项里面的），博主在安装系统时，尝试安装了各种版本的ubuntu系统，包括14.01、14.03、16.01、16.03、16.04，均未成功，所有的问题，都是，系统安装到一半，直接就报错，无法安装，在网上查找了许久，据说是显卡的问题导致的，有相关文档说，18.04版本可以避免这个问题。于是，尝试安装ubuntu18.04版本，OK ，按照大神推荐的 双硬盘分配方案 （点击此处）进行安装配置。安装成功。 大家在安装好系统后，要记得更新源。 3.安装GPU（针对ubuntu18.04） 进入系统后，系统默认是使用主板上的集成显卡

写在前面： 版本匹配无比重要！有些教程能让你少活20年！ 需要准备的软件安装包 CUDA 9.1 + CuDnn 7.1.2+ TensorFlow 1.7+pycharm 2017.1.4。 STEP 1: 检查系统是否满足条件 GPU是否支持CUDA Ubuntu版本是否受支持 gcc版本检查 Kernel Headers and Development Packages 是否已安装 具体步骤见 官方教程第二节Pre-installation Actions STEP 2: 下载CUDA的deb安装包 安装包所在的目录 下一次执行下面命令 1. sudo dpkg -i cuda-repo-ubuntu1604-9-1-local_9.1.85-1_amd64.deb 2. sudo apt-key add /var/cuda-repo-<version> /7fa2af80.pub 3. sudo apt-get update 4. sudo apt-get install cuda 注意：第二步标红的代码其实是根据第一行代码执行以后终端给出的提示，所以每个人给出的目录会有所不同，根据终端的提示 不操作就好，不要照抄。 deb安装包会安装CUDA Toolkit 和 Driver Package，不需要自己安装驱动 如果有补丁，可以继续安装补丁，安装补丁的命令类似第一行代码

第一步 安装NVIDIA显卡驱动 1. 打开terminal（怎么打开？纳尼问度娘！），输入sudo apt-get update 更新系统（NVIDIA比较新的内核版本和ubuntu新版本有一定的对应关系；注意更新之后下次打开系统的时候在ubuntu选择页面选择新的内核的ubuntu，那个是新的？当然是数字大的那个就是啊） 2. 安装显卡驱动 打开 系统设置-软件更新-附加驱动，选择见图： 3.这里重启电脑！！！ 打开NVIDIA X Server Settings,图像如下就是安装成功啦（网上其他验证方法都可以参考啦） ps:如果中途哪里弄错了，还是可以卸载原驱动重新安装滴，卸载方法： sudo apt-get remove --purge nvidia --*,重新安装请看第一步即可。 第二步 安装CUDA8.0 1.下载CUDA8.0 CUDA 8.0下载地址： https://developer.nvidia.com/cuda-80-ga2-download-archive 选择linux的deb版本，选择如下图，网上也有选择runfile版本，deb版本下好后是一个beb文件，runfile下好后是一个run文件，这两种都可以 2. gcc降低版本，其实ubuntu16.04自带的gcc5.4是支持我们下的这个比较新cuda8.0.61版本的，不降级是可以的。

学习网址记录一下： Python安装和环境配置 Python数据结构 C++教程 Python安装和环境配置 Git基础概念 https://www.youtube.com/watch?v=qWl9idsCuLQ ICNet for Real-Time Semantic Segmentation on High-Resolution Images https://www.youtube.com/watch?v=rB1BmBOkKTw&feature=youtu.be Pyramid Scene Parsing Network (CVPR 2017) https://www.youtube.com/watch?v=BNE1hAP6Qho CASENet: Deep Category-Aware Semantic Edge Detection RefineNet Results on the CityScapes Dataset https://www.youtube.com/watch?v=L0V6zmGP_oQ DeepLab v2 https://bitbucket.org/aquariusjay/deeplab-public-ver2 Introduction DeepLab is a state-of-art deep learning system for semantic

官网 https://www.tensorflow.org/ ，可以直接参考：官方安装教程，就懒得搬运了。不过需要自备梯子，没有的可以看后文。 （2018.05.24版） 本人是GeForce GTX 960M的渣笔记本显卡，算是刚够到gpu版本的及格线上。目前安装的是1.8.0TensorFlow的gpu版本。不同版本对cuda和cudnn版本要求不一样，坑爹的是兼容性感觉不怎么样，最好是按官方要求的版本。 操作系统上官网是这么写的，需要符合的操作系统 我们已在如下配置的 64 位笔记本电脑/台式机操作系统中构建并测试过 TensorFlow： MacOS X 10.11 (El Capitan) 或更高版本 Ubuntu 16.04 或更高版本 Windows 7 或更高版本 也许您能在其他笔记本电脑或台式机系统上安装 TensorFlow，但我们只支持上述配置（且只会修复这些配置中的问题）。 可以仅仅安装CPU版本的，也可以安装gpu版本的。如果硬件支持的话，建议装gpu版本的，速度差很多。 您必须从以下 TensorFlow 类型中选择其一来进行安装： 仅支持 CPU 的 TensorFlow。 安装gpu版本的要麻烦很多，要求如下： 运行支持 GPU 的 TensorFlow 所需满足的要求 如果您要使用本指南描述的其中一种方式安装支持 GPU 的 TensorFlow

cuda 版本 cat / usr / local / cuda / version . txt cudnn 版本 cat / usr / local / cuda / include / cudnn . h | grep CUDNN_MAJOR - A 2 来源：51CTO 作者： 恋上萤火 链接：https://blog.csdn.net/weixin_43826596/article/details/101061903

Win10安装Anconda 、Tensorflow、Cuda、cudnn 下载并安装Cuda、cudnn、Anaconda 一个安装Cuda教程（带图） Cuda官网下载链接 :https://developer.nvidia.com/cuda-toolkit-archive 从中选择和自己电脑相匹配的版本，如果不知道自己的显卡支持什么版本，英伟达（Nvidia）的可以去这里查： https://developer.nvidia.com/cuda-gpus 。比如说我的是GeForce RTX2080，那么它就支持7.5及之后版本。鉴于我的两次重装教训，建议大家也可以先从后面的Anaconda和tensorflow装起，在验证tensorflow是否安装成功时，输入： import tensorflow as tf 之后便会报错，说你没有安装cuda，特别注意里头的： 64_100这是在告诉你应该要装10.0的cuda，如果是63_90,那就是在说应该装9.0版本的cuda。那么你心里对装哪一版就大概有个数了~ 选择好了版本，按照自己电脑型号并选择exe(local)再下载： 然后，下载完了就是一堆同意、继续、下一步，一般都能装成功的。验证方法是：win+R，输入cmd，回车，输入 nvcc -V ，回车，若出现了NVIDIA Cuda compiler driver