cuda

从无搭建GPU环境经验，尝试一天终于完成，原来一轮训练需要15个小时使用GPU20多分钟。 环境：Ubuntu16.0.4； nvidia-smi 396 ； 安装 ：python 3.6 + cuda 9.0 + cudnn7.4.1 + tensorflow-gpu1.12.0 + keras2.2.4 1.注册 百度的AI studio平台 完成任务（两三分钟）可以获得100小时的GPU 地址 https://aistudio.baidu.com/ （创建项目，上传数据集，启动项目很快就能学会使用） 启动环境进入终端 2.开始配置cuda cudnn 少走弯路：先确定cuda 版本，再选择对应版本的cudnn 和 tf； 2.1查看显卡驱动 nvidia-smi 2.2查看驱动对应的cuda版本 地址： https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html 注：显卡驱动是向下兼容的，平台的驱动是396，无法安装cuda10；所以选择cuda9. 2.3.选择cudnn 版本 查看cuda cudnn 对应版本 https://tensorflow.google.cn/install/source#linux 注：最终选择 cudnn 7 好 tf-1.12.0; 3.安装 3.1 下载 cudnn

目录 什么是循环登录 为什么会循环登录 1. 显卡驱动相关原因，导致循环登录 2. 改配置文件时系统环境变量被改坏，导致循环登录 3. 磁盘空间不足，导致循环登录 4. 输入法冲突导致 5. 其他 正确的配置显卡驱动 显卡驱动和内核的关系 unattended-upgrade是什么？能关闭吗？ CUDA和显卡驱动的关系 正确安装显卡的姿势 参考 什么是循环登录 开机/重启后的登录界面，分辨率变得很低，并且输入密码后黑屏一闪而过又重新回到输入密码的界面，如此循环无法跳出，俗称“循环登录”。 为什么会循环登录 造成循环登录有多种可能的原因： 1. 显卡驱动相关原因，导致循环登录 最常见的是，内核版本和显卡驱动版本不兼容导致循环登录。 例如内核升级但没有配置支持显卡驱动。这是本文重点关注的一类原因。 也有比较少见的，独显和集显共存问题,nvidia-prime切换后可以使用： ubuntu循环登录巧妙处理 2. 改配置文件时系统环境变量被改坏，导致循环登录 例如 /etc/profile 、 /etc/environment 、 ~/.profile ， ~/.bashrc , ~/.bash_profile 等文件中配置PATH，原本希望append一个路径，但却设置成了PATH只等于这一个路径。通常是Linux菜鸟或粗心导致。 解决ubuntu16.04循环登录问题

下载 1、下载vs2015，地址： （补充：离线安装vs2015前需要先做以下两项工作，否则vs2015安装过程中会出现安装包损坏的情况。 1） win7下安装vs2015时，需要两个win10的安全证书（microsoft root certificate authority 2010 和 microsoft root certificate authority 2011），下载地址： https://download.csdn.net/download/weixin_40092412/11049537 （若有win10系统，可直接从win10系统导出）。放到win7系统上，双击-->安装证书-->下一步-->点击将所有证书放入下列存储，浏览选择受信任的根证书颁发机构-->下一步-->完成。 2）IE需要更新为IE11版本，首先下载更新包并安装： https://support.microsoft.com/zh-cn/help/2847882/prerequisite-updates-for-internet-explorer-11 ，共7个必需的更新包，按照自己的电脑位数选择32或64下载。 再安装IE11，下载地址： https://support.microsoft.com/zh-cn/help/17621/internet-explorer-downloads

问题 随着机器学习对模型运算速度的需求越来越强烈， 一直想进行GPU编程，但一直以来这些都是c++的专利 一想到c++里的各种坑，就提不起劲来，毕竟这样来来回回填坑的投入产出，生产效率就会大打折扣 解决方案 让人欣喜的是，随着Python阵营的不断发展壮大，使用python进行GPU编程也越来越便捷了 那么具体有些什么样的包，能针对GPU做些啥事呢？ 看看一些具体的代码，就能大概明白： 首先是pycuda，这是它的一个例子： mod = SourceModule(""" __global__ void multiply_them(float *dest, float *a, float *b) { const int i = threadIdx.x; dest[i] = a[i] * b[i]; } """) 由上面的代码我们可以看出，pycuda将调用gpu的c++代码做了包装，可以在python里直接使用 再看看numba： @cuda.jit def increment_by_one(an_array): pos = cuda.grid(1) if pos < an_array.size: an_array[pos] += 1 我们可以发现，numba更进一步，直接使用装饰器的办法让调用GPU的过程更简洁方便 再看看cupy： import numpy as np

Anaconda,nvidia-docker,Linux三种方式安装caffe 1.Anaconda安装caffe 　　1.首先安装 anaconda 　　2.创建虚拟环境（python2.7）　　 conda create -n caffe python= 2.7 anaconda 　　3.安装caffe # 然后下面二选一即可，安装caffe conda install -c conda- forge caffe conda install -c conda-forge/label/broken caffe 　　4.注意： # 如果出现numpy导入错误，是因为 conda- forge中的numpy版本过低，可再输入下面命令 pip install numpy --upgrade 　　5.测试 # 测试是否成功 source activate caffe python import caffe 2.nvidia-docker安装caffe-gpu 注意：docker仅支持cpu nvidia -docker支持GPU 　　1.安装nvidia-docker wget -P /tmp https: // github.com/NVIDIA/nvidia-docker/releases/download/v1.0.1/nvidia-docker_1.0.1-1_amd64.deb

Windows下基于CMake编译配置Caffe/SSD by ChrisZZ, imzhuo@foxmail.com 简要说明 最近需要在Windows下开发，在Windows下基于CMake编译配置了Caffe/PyCaffe，记录一下。 特点： 可以修改caffe依赖库存放目录 可以指定opencv版本 可以用于1080Ti等显卡的正确编译 给出了基于CMake调用Caffe.lib的例子 使用caffe.lib的项目中也可调试到caffe源码中 支持caffe-SSD，包括boost regex报错的正确处理 包括指定python可执行文件路径和多个pycaffe切换 [TOC] 1. 环境说明 系统： Win7/Win10 编译器：Visual Studio 2013 构建器：CMake 3.13 Python: python2.7，用anaconda装的。注意python.exe所在目录放到系统PATH环境变量中。 CUDA： 9.2 （可选） CuDNN：7.0（可选） 终端： cmd窗口 Caffe源码: 官方Caffe的windows分支 。后续考虑SSD代码 2. 配置官方Caffe 2.1 下载Caffe源码和Windows依赖包 Caffe源码 进cmd敲： d: cd work git clone https://github.com/BVLC/caffe

---作者吴疆，未经允许，严禁转载，违权必究--- ---欢迎指正，需要源码和文件可站内私信联系--- ----------- 点击此处链接至博客园原文 ----------- 功能说明：将C++版的海康威视官方SDK封装、编译成动态共享对象(linux中称为DSO,Dynamic Shared Objects,windows中称动态链接库)，供Python调用实现相关功能 运行环境：ubuntu14.04或ubuntu16.04、opencv2.4.13.5或opencv2.4.13.6、swig3.0.8、codeblocks16.01、Python2.7.6（仅在上述运行环境中验证过该博客有效性） 一、相关介绍 参考链接： swig扩展opencv Python调用C++ （极重要参考） 本节主要介绍在linux系统下将C++源文件封装、编译为.so动态共享对象的大致流程和细节。swig是simplified wrapper and interface generator的缩写，是一个非常优秀的开源工具，支持将 C/C++代码与任何主流脚本语言相集成。其中，必须编写一个额外的接口文件(.i文件)来作为swig(终端工具)的入口。这里引用上文中（未调用opencv的简单）例子对该流程进行叙述。（若调用了opencv函数，则需利用opencv-swig接口文件，将在“四

#1. 前提: 安装前服务器情况,已经安装好了: CUDNN=7.3.0 CUDA=10.0.130 Opencv 2.4.13 相应命令为: cuda 版本 cat /usr/local/cuda/version.txt cudnn 版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 opencv版本 pkg-config opencv --modversion #2. 准备caffe, python环境 从 https://github.com/BVLC/caffe 下载caffe, 用unzip命令解压. python我使用的是Anaconda虚拟环境, 最后附上environment_caffe_27.yml文件, 如果需要可以直接使用下面的命令安装,或者手动安装. conda env create -f environment_caffe_27.yml environment_caffe_27.yml文件内容如下,复制重命名即可: name: caffe_27 channels: - defaults dependencies: - backports=1.0=py27_1 - backports.functools_lru_cache=1.5=py27_1 - backports.shutil

严格上来说这个软件本身并不需要安装，他唯一需要的就是对应版本的 显卡驱动，CUDA和CuDNN都非必须 。下面我说一下如何安装正确的驱动版本。我尽量写得简洁清晰，希望大家都能看懂，但是，如果你连基本的电脑操作都不会，那我就无能为力了。 本教程都是针对如下配置 操作系统：Window server 2016(适用于Win10) 显卡：Nvidia Tesla P80 11G（只要是N卡都差不多） DeepFaceLab版本：DeepFacelabCUDA10.1AVX_build_03_13_2019 （DFL CUDA 10.1） 我的电脑为初始化环境，除了一个浏览器之外，还没有安装任何软件。 只要是N卡，接下来的操作都是差不多。 1.安装驱动 显卡驱动是DeepFaceLab唯一的依赖，也就是说只要你的电脑安装了正确的显卡驱动就能运行软件，当然显存太低也有可能运行不了。 自动安装 安装驱动最简单的方式自然是通过驱动精灵等软件全自动安，这一步安装成功了，就无需看手动安装。至于如何判断是否成功，可以查看驱动版本是否为418.96（不一定是这个数字，但是这个数字肯定可以，有418这个前缀应该是靠谱的），或者直接看本文结尾处的 解压测试 。 手动安装 自动安装后运行DFL报错，可以选择手动安装驱动。手动安装前最好清理电脑上说有和NVIDIA相关的软件，删除并不影响电脑正常使用

推荐博客：https://www.linuxidc.com/Linux/2017-11/148629.htm https://blog.csdn.net/yggaoeecs/article/details/79163789 此教程主要借鉴自： GPU版：http://www.linuxidc.com/Linux/2016-12/138870.htm CPU版：http://www.linuxidc.com/Linux/2016-09/135034.htm 1 电脑配置及软件说明 1) Ubuntu 16.04 x64系统，GPU：Quadro M4000（提示：在linux下可以通过命令lspic | grep –i vga 查看） 2) Caffe：Convolutional Architecture for Fast FeatureEmbedding 3) NVIDIA显卡驱动（不同的GPU对应不同的版本） 4) CUDA 9.0 5) cuDNN v7.0.5 for CUDA 9.0 6) OpenCV 3.2.0 2 安装NVIDIA GPU驱动 2.1 查询GPU驱动 首先去NVIDIA官网http://www.nvidia.com/Download/index.aspx?lang=en-us查看适合自己显卡的驱动并下载。如下图1，图2所示。 图1.