cudnn

首先可以说明一点的是, 在ubuntu16.04环境下CUDA8.0和CUDA7.0可以共存。 笔者自己先安装的是CUDA8.0,然后再安装的CUDA7.0，安装完CUDA8.0发现安装CUDA7.0一直不成功， 后面发现是16.04系统默认版本的GCC、g++版本过高，因此后面又装了gcc-4.8,g++-4.8，即安装了多版本的gcc和g++。 1.安装cuda-8.0 sudo dpkg -i cuda -repo -ubuntu1404 - 8 - 0 -local -ga2_8 .0 .61 - 1 _amd64 . deb sudo apt -get update sudo apt -get install cuda 2.配置环境变量 export LD_LIBRARY_PATH= " $LD_LIBRARY_PATH :/usr/local/cuda/lib64" export CUDA_HOME=/usr/local/cuda export PATH= " $CUDA_HOME /bin: $PATH " 3.安装cuda-8.0对应的cudnn v5.1 tar xvzf cudnn - 8.0 -linux -x64 -v5 .1 . tgz mv cuda cudnn - 8.0 -v5 .1 sudo cp cudnn - 8.0 -v5 .1

nvidia 官网下载不稳定，这里分享一份cuda9.0 cudnn7.6.1百度网盘 链接: https://pan.baidu.com/s/18DKfsthRyuXX7lV9U40lnA 提取码: p8e6 第一步：安装nvidia图形驱动，方式也很简单，点击应用程序-》软件和更新-》附加驱动选中NVIDIA driver metapackage-》应用更改。等待完成然后ctrl+alt+t 输入nvidia-smi 看是否安装成功。 第二步：下载cuda tooltik9.0， https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1804&target_type=runfilelocal ，下载完成之后进入对于下载目录执行 sudo sh cuda_9.0.176_384.81_linux.run --override # 安装对应的补丁包 sudo sh cuda_9.0.176.1_linux.run sudo sh cuda_9.0.176.2_linux.run sudo sh cuda_9.0.176.3_linux.run sudo sh cuda_9.0.176.4_linux.run

1、ubuntu18.04+nvidia387 安装过程 2、安装cuda9.0 1)安装依赖关系 sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev 2)gcc降低版本 查看gcc版本 ~$ gcc --version 链接gcc/g++实现降级 sudo apt-get install gcc-4.8 sudo apt-get install g++-4.8 cd /usr/bin ls -l gcc* sudo mv gcc gcc.bak sudo ln -s gcc-4.8 gcc ls -l g++* sudo mv g++ g++.bak sudo ln -s g++-4.8 g++ 3)查看gcc g++版本 gcc --version g++ --version 如下面显示即降级成功。 4)下载 cuda链接 选择下载Base Installer Patch 1 (Released Jan 25, 2018) Patch 2 (Released Mar 5, 2018)三项。 5)安装已下载的cuda cd 下载 sudo sh cuda_9.0.176_384

环境配置篇 安装cuda 更新nvidia驱动 打开GeForce Game Ready Driver或在 GeForce Experience 中下载符合自己gpu的程序。 选择cuda 打开nvidia控制面板 点击帮助、点击系统信息、在点击组件在3D设置中可以看到cuda信息 在我升级过nvidia驱动后，cuda的版本更新到了10.1。接下来下载cuda . cuda10.1 安装完毕。 安装cuDNN 在安装了cuda10.1后选择对应的cuDNN版本v7.6.1 解压文件，然后添加bin目录到环境变量 安装cuDNN 在安装了cuda10.1后选择对应的cuDNN版本v7.6.1 解压文件，然后添加bin目录到环境变量 使用Anaconda prompt创建环境 conda create -n pytorch_gpu pip python=3.7 View Code 其中pytorch_gpu是环境的名字，python版本是3.7 conda activate pytorch_gpu View Code 这个命令可以进入创建好的环境。 安装Pytorch 建议切换源，我使用的是中国科学技术大学”（ USTC Open Source Software Mirror ）提供anaconda的镜像源，速度提高不少。 方法一： conda config --add

1.Layout Optimizer 　　Tensorflow有几种图优化的方法，其中一种较为重要的是layout optimizer，核心思想是调整tensor的layout（NHWC to NCHW），原因在于在较早的cudnn版本中的API是不支持NHWC格式的输入的，目前cudnn7.0版本已经能支持NHWC格式输入了，但经过实测发现以NHWC格式为输入调用cudnn API的速度是不如NCHW的（在k80上实测，lenet-5的两个卷积层，使用NHWC计算需要平均约2.5ms，使用NCHW只需要1.8ms），所以Tensorflow layout的作用就是将NHWC转换为NCHW，从而加速网络的计算速度。 　　在使用layout转换的时候，Tensorflow会监测网络的结构，如果发现存在调用cudnn计算的节点，就会在节点前加一个transpose，将tensor转换为NCHW格式，然后经过所有由cudnn计算的节点及计算方式与layout无关的节点(比如relu的计算就与layout无关，但是reduce_mean就与layout有关)之后，再加一个transpose将tensor转换回来。以resnet_v2为例: https://github.com/tensorpack/tensorpack/blob/master/examples/ResNet/cifar10

I have re-installed Anaconda2. And I got the following error when 'python -c 'import tensorflow'' ImportError: /home/jj/anaconda2/bin/../lib/libstdc++.so.6: version `CXXABI_1.3.8' not found (required by /home/jj/anaconda2/lib/python2.7/site-packages/tensorflow/python/_pywrap_tensorflow.so) environment CUDA8.0 cuDNN 5.1 gcc 5.4.1 tensorflow r0.10 Anaconda2 : 4.2 the following is in bashrc file export PATH="/home/jj/anaconda2/bin:$PATH" export CUDA_HOME=/usr/local/cuda-8.0 export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:$

Anaconda3-5.2.0-Linux-x86_64.sh python3.6 sh Anaconda3-5.2.0-Linux-x86_64.sh 增加清华源： https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/ 如果卸载重装执行conda install ***会报错： Segmentation fault when installing packages 需要更新Upgrading pycosat to 0.6.2 执行pip install update pycosat ,之后就可以继续安装了 https://github.com/conda/conda/issues/7815 conda install cudnn=7.6.0 conda install cudatoolkit=10.0.130 注意要先装cudnn，因为conda会把依赖更新，而cudnn需要的最新cuda是10.1。这样后安装会把之前的新版本降级 参考： https://zhuanlan.zhihu.com/p/71581533 升级gblic 下载相应的版本： https://ftp.gnu.org/gnu/glibc/ 解压编译 如果不想替换/lib64/libc.so.6的方法： 每次打开新窗口执行： export LD_LIBRARY

前言 运行mxnet程序的时候出现这个warning信息，但是不影响整个程序的运行，不过宝宝喜欢将warning信息尽量也clear，强迫症嘛？！哈哈哈哈 问题描述 [16:40:49] src/operator/nn/./cudnn/./cudnn_algoreg-inl.h:97: Running performance tests to find the best convolution algorithm, this can take a while... (set the environment variable MXNET_CUDNN_AUTOTUNE_DEFAULT to 0 to disable) 解决方法 ~/d2l-zh/MxNet$ export MXNET_CUDNN_AUTOTUNE_DEFAULT=0 注意，shell中的等号两端没有空格哈。。。 参考 1. mxnet_gluon_discuss ; 2. github_issues ; 完 来源： https://www.cnblogs.com/happyamyhope/p/11430992.html

0.目的 　　刚刚学习faster rcnn目标检测算法，在尝试跑通github上面Xinlei Chen的tensorflow版本的faster rcnn代码时候遇到很多问题（我真是太菜），代码地址如下： https://github.com/endernewton/tf-faster-rcnn 1. 运行环境配置 　　代码的README里面说明了，环境要求既有是这个git里面的，还有就是rbg的caffe代码中也有了一些环境。基本上包括： python2.7 CUDA（并行计算库）>=6.0 cudnn（深度学习库） cython , opencv-pyt hon easydict=1.6 　　当然这只是跑通代码的环境，并没有那么苛刻的。 1.1 检查环境 　　检查环境的目的是为了安装TensorFlow，首先是 1.1.1 Linux 内核和发行版 　　需要查看 linux内核和发行版，来确定后续一些软件的安装版本选择。《如何查看LINUX发行版的名称及其版本号》：https://www.qiancheng.me/post/coding/show-linux-issue-version 　　查看Linux内核 uname -a 　　查看Linux发行版 cat /etc/redhat-release #centos下面的命令 　　 　　我用的是 centos

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)