cudnn

用anaconda作为虚拟环境的管理工具，pycharm在建立工程时，调用anaconda的虚拟环境即可。 在一个虚拟环境安装过cuda和cudnn之后, 在另一个虚拟环境中安装cuda和cudnn方法: (mxnet) yuyang@oceanshadow$ conda install cudatoolkit=9.0 Collecting package metadata: done Solving environment: done ## Package Plan ## environment location: /home/yuyang/anaconda3/envs/mxnet added / updated specs: - cudatoolkit=9.0 The following NEW packages will be INSTALLED: cudatoolkit pkgs/main/linux-64::cudatoolkit-9.0-h13b8566_0 Proceed ([y]/n)? y Preparing transaction: done Verifying transaction: done Executing transaction: done 安装cudnn: (mxnet) yuyang@oceanshadow:$ conda install

http://geyao1995.com/CUDA8_CUDA9/ tensorflow1.5版本竟然不支持CUDA8.0了 卸载是不可能卸载的 CUDA9.0下载： https://developer.nvidia.com/cuda-90-download-archive .run .deb 可能会将已经安装的较新的显卡驱动替换。 cuDNN7.0下载（需要注册账号，注意选择对应CUDA9.0的版本）： https://developer.nvidia.com/cudnn 对于cuDNN7.0的安装方式选项，我选择的是 cuDNN v7.0.5 Library for Linux ，对应于 cudnn-9.0-linux-x64-v7.tgz 文件，解压之后放到cuda-9.0文件夹中就可以。 本机已经安装的版本是CUDA8.0和cuDNN5.1 不去网上瞎找教程，参考官方文档 CUDA（看左上角是不是CUDA9.0版本的文档，如果显示最新版本，需要去找旧的9.0版本）： https://docs.nvidia.com/cuda/archive/9.0/cuda-installation-guide-linux/index.html cuDNN： https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html

YOLO是近几年物体检测主要算法之一，2018年已发展到YOLOv3，是目前速度最快的物体检测算法，详细内容可查看 YOLO主页 。YOLO的主要优势在于基于纯C语言编写的DarkNet，可查看 DarkNet主页 ，不需要其他依赖库，跨平台能力强，运行速度快，这里是 下载地址 。有趣的是里边有好几个LICENSE文件，其中LICENSE.fuck的内容是这样的： DO WHAT THE FUCK YOU WANT TO PUBLIC LICENSE Version 2, December 2004 Copyright (C) 2004 Sam Hocevar <sam@hocevar.net> Everyone is permitted to copy and distribute verbatim or modified copies of this license document, and changing it is allowed as long as the name is changed. DO WHAT THE FUCK YOU WANT TO PUBLIC LICENSE TERMS AND CONDITIONS FOR COPYING, DISTRIBUTION AND MODIFICATION You just DO WHAT THE FUCK YOU

无root权限 centos 7 cuda 9.1 cudnn 7.05 for cuda 9.1 cuda下载 https://developer.nvidia.com/cuda-downloads . 在选择linux及对应的系统之后，选择 runfile(local)下载. 给文件运行权限 chmod +x filename.run 然后 ./filename.run 在协议中选择同意（accept）,不安装driver installation （no）,然后再安装cuda时选择个人用户的目录，如 /home/yourname/cuda91 修改个人用户的环境变量 环境变量文件 ~/.bashrc 位于 home/yourname/~/.bashrc (用vi ~/.bashrc编辑) 末尾添加如下语句 export PATH=$HOME/cuda91/bin:$PATH export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$HOME/cuda91/lib64/” 修改之后 source ~/.bashrc 使环境变量生效 nvidia-smi 查看显卡驱动运行状态 cudnn的安装,从官网下载 https://developer.nvidia.com/cudnn （需要注册账号)， tar -xzvf cudnn-9.0-linux-x64

record--on going 2. cuda8.0 (1). Use the following way to install the dependencies yexin@yexin-Precision-Tower-7910:~$ sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libgl1-mesa-dev libglu1-mesa libglu1-mesa-dev libxi-dev ps: if use the sudo ./cuda...run, it would go wrong like: yexin@yexin-Precision-Tower-7910:~$ sudo sh cuda_8.0.61_375.26_linux.runsh: 0: Can't open cuda_8.0.61_375.26_linux.run yexin@yexin-Precision-Tower-7910:~$ sudo sh cuda_8.0.61_375.26_linux.run sh: 0: Can't open cuda_8.0.61_375.26_linux.run yexin@yexin-Precision-Tower-7910:~$ sudo ./cuda_8.0.61

Ŀ¼ Linux Windows References Linux 方法一： nvcc -- version 或 nvcc - V 如果 nvcc 没有安装，那么用方法二。 方法二： cat / usr / local / cuda / version . txt 当安装了多个版本的 CUDA 时，方法二也不管用，不能判断使用的是哪个版本的 CUDA，这个时候看方法三。 方法三： nvidia - smi 查看英伟达 GPU 的具体使用情况，同时也会列出 CUDA Version。 cat / usr / local / cuda / include / cudnn . h | grep CUDNN_MAJOR - A 2 如果没有，那么可能没有安装 cuDNN。 Windows 在命令行中执行： nvcc -- version 或者进入 CUDA 的安装目录查看： C : \Program Files \NVIDIA GPU Computing Toolkit \CUDA 进入 CUDA 的安装目录查看文件 cudnn.h ： C : \Program Files \NVIDIA GPU Computing Toolkit \CUDA\v 9.0 \include\cudnn . h 如下所示，cuDNN 版本为 7.2.1 : References ubuntu:

一、NVIDIA显卡驱动 打开终端，输入： sudo nautilus 在新打开的文件夹中，进入以下路径（不要用命令行）： 左下角点计算机，lib，modules 这时会有几个文件夹，对每个文件夹都进行以下操作（不要用命令行）： 进入其中一个文件夹，kernel，drivers，gpu，drm，nouveau，若有文件则全部删除 打开终端，输入： sudo update-initramfs -u 把下载的显卡驱动改为简单的名字，比如2080.run，放到home目录下 输入： sudo service lightdm stop sudo chmod a+x 2080.run sudo sh 2080.run -no-opengl-files 安装过程中，全部选yes 安装完成后，重启： sudo reboot 重启后打开终端，输入： nvidia-smi 若显示显卡驱动的版本，则安装成功，恭喜你！ 二、cuda10 把下载的cuda文件改为简单的名字，比如cuda.run 打开终端，输入： sudo sh cuda.run 在选择安装选项时，不要选择第一个，即显卡驱动，因为上面已经安装了，然后在安装过程中全部选yes 安装完成后，打开终端，输入： sudo gedit /etc/profile 在文件末尾添加下述语句： export PATH=/usr/local/cuda-10

Ŀ¼ 1. 安装显卡驱动 2. 安装CUDA\CUDNN 3. 安装TensorFlow-gpu 测试 检测显卡驱动及型号 $ sudo rpm --import https://www.elrepo.org/RPM-GPG-KEY-elrepo.org 添加ELPepo源 $ sudo rpm -Uvh http://www.elrepo.org/elrepo-release-7.0-2.el7.elrepo.noarch.rpm 安装NVIDIA驱动检测 $ sudo yum install nvidia-detect $ nvidia-detect -v $ yum -y install kmod-nvidia 2.1 cuda 官网下载cuda，最好下载9.0版本： https://developer.nvidia.com/cuda-toolkit-archive 选择符合自己机器的设置，选择runfile（local）下载到centos中： 需要下载所有补丁，下载后安装cuda: $ sudo sh cuda_9.0.176_384.81_linux.run 测试cuda是否安装 $ cd /usr/local/cuda/samples/1_Utilities/deviceQuery $ sudo make $ ./deviceQuery 结果： 2.2 cudnn

TensorFlow always (pre-)allocates all free memory (VRAM) on my graphics card, which is ok since I want my simulations to run as fast as possible on my workstation. However, I would like to log how much memory (in sum) TensorFlow really uses. Additionally it would be really nice, if I could also log how much memory single tensors use. This information is important to measure and compare the memory size that different ML/AI architectures need. Any tips? Update, can use TensorFlow ops to query allocator: # maximum across all sessions and .run calls so far sess.run(tf.contrib.memory_stats

经过朋友指导，终于成功在windows7上成功编译了caffe，这里将编译过程记录 安装文件准备 1 visual studio 2013安装包下载 2 CUDA75 optional 3 windows版本caffe 4 下载cuDNN optional 5 下载Anaconda安装包 optional 6 下载Matlab安装包 optional 安装visual studio 2013 安装cuda75 optional 利用Anaconda安装python optional 安装matlab optional 修改配置文件 1 解压缩下载的caffe-windows文件 2 进入到windows文件夹 3 复制配置文件并重命名 4 修改配置文件修改工程的属性文件 41 配置文件说明 42 非CUDA版本的caffe 43 CUDA版本的caffe 编译caffe 1 打开名称为Caffe的解决方案 2 编译libcaffe项目 3 编译caffe项目 4 编译pycaffe 5 编译matcaffe 6 编译其他项目 运行第一个caffe测试程序 配置python optional 配置matlab optional 1. 安装文件准备 1.1 visual studio 2013安装包下载 进入 visual studio下载页 选择Visual Studio 2013–