英伟达

[frank] install success by this article. https://blog.csdn.net/yinwangde/article/details/89439648 Ubuntu16.04下安装NVIDIA显卡驱动 原创 yinwang95 最后发布于2019-04-21 21:34:17 阅读数 3611 收藏 展开 我的系统是ubuntu16.04 ，显卡是RTX2080Ti 01 前期工作 1.1 禁用nouveau ubuntu 16.04默认安装了第三方开源的驱动程序nouveau，安装nvidia显卡驱动首先需要禁用nouveau，不然会碰到冲突的问题，导致无法安装nvidia显卡驱动。指令如下 sudo gedit /etc/modprobe.d/blacklist.conf 打开文件，在最后添加如下两行： blacklist nouveau options nouveau modeset=0 1.2 更新系统修改 sudo update-initramfs -u ，输入指令后重启系统（一定要重启），确保到位。 1.3 验证nouveau是否已禁用 lsmod | grep nouveau 如果没有出现任何东西就是成功了。 02 下载驱动文件并指令安装 2.1 、在英伟达的官网上查找你自己电脑的显卡型号然后下载相应的驱动： https:/

前言 首先要理解一些概念：opencv opencl opengl openmp cuda 这里我们要opencv、opencl、openmp、cuda的环境配置 电脑配置：win10，显卡NVIDIA10.0，VS2019 1、opencv环境配置 1）网上下载opencv-4.2.0，在电脑上选好目录安装。比如我安装在 E:\Program\opencv\opencv 2）进行环境变量的配置，如我上面的目录对应在path中新建 E:\Program\opencv\opencv\build\x64\vc15\bin 3）当在vs上敲代码是需要用到 opencv相关的函数或者接口时，进行vs环境设置： 　　右键--属性， 　　C/C++ --附加包含目录 -- E:\Program\opencv\opencv\build\include E:\Program\opencv\opencv\build\include\opencv2 　　链接器--常规--附加库目录-- E:\Program\opencv\opencv\build\x64\vc15\lib 　　链接器--输入--附加依赖项-- opencv_**420d.lib （这里**写涉及到需要用的opencv的库） 2、opencl环境配置 1）下载 AMD-APP-SDK-v2.9-Windows-64，记下安装的位置

本文档是以戴尔Precision 5820 Tower工作站，系统为Ubuntu16.04.6上为独立显卡GTX1060安装NVIDIA驱动。 1.在NVIDIA官网下载驱动： 2．下载好的驱动放在当前用户的/home目录下。本例中为dell用户下的家目录/home/dell 3.禁用nouveau驱动 修改blacklist.conf文件： sudo vi /etc/modprobe.d/blacklist.conf 在最后添加： blacklist nouveau options nouveau modeset = 0 按ESC，wq保存退出。 然后执行： sudo update-initramfs -u 重启后，执行： lsmod | grep nouveau 如果没有屏幕输出，说明禁用nouveau成功。 4.禁用-Window服务 按Ctrl+Alt+F1进入命令行界面，输入用户名，密码登录 执行以下命令关闭图形界面： sudo service lightdm stop 小提示：在命令行输入：sudo service lightdm start，然后按Ctrl+Alt+F7即可恢复到图形界面。 5.命令行界面安装驱动： 给NVIDIA驱动文件赋予执行权限： sudo chmod +x NVIDIA-Linux-x86_64-418.56.run 执行安装： sudo ./

从几天前说起，开始学习使用bert，首先这里有两种，一种是google开源的原版的bert，一种是pytorch版的，这里主要介绍原版的bert，原版的提供了更大的控制性，如果想省事可以直接用第二种。 一，python要求 这里需要注意的是tensorflow-gpu目前只支持 2.7，3.3-3.6 ，如果你的python版本不对，自行重装（或者使用下面的虚拟环境）。 二，安装Anaconda3+tensorflow-gpu 安装这东西，自行随意，我安装是为了 更快的安装tensorflow-gpu 。 pip install的话是从外网安装，速度慢不说，更容易挂掉，所以用这个，安装过程自行百度。 一，创建一个自定义环境python版本（版本限制如上） 打开 Anaconda Prompt ，位置在开始的Anaconda文件夹下。 conda create -n learn python=3.6 learn:环境名字，自定义 python=3.6:python版本号 二，安装tensorflow-gpu 这里还要提醒，最新版的bert需要 tensorflow-gpu>1.10.0 ，否则会报如下错误 AttributeError: module 'tensorflow.contrib.tpu' has no attribute 'InputPipelineConfig'

计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V10_1两个环境变量，接下来，还要在系统中添加以下几个环境变量： CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1CUDA_LIB_PATH = %CUDA_PATH%\lib\x64CUDA_BIN_PATH = %CUDA_PATH%\binCUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64在系统变量 PATH 的末尾添加：%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;再添加如下4条（默认安装路径）：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64；C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin；C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10

1、DeepFaceLab:NVML Shared Library Not Found 解决办法 出现这个提示的原因是安装后的Nvidia显卡目录C:\Program Files\NVIDIA Corporation\NVSMI不存在，造成的，解决办法如链接所示。 https://www.cnblogs.com/LesBlog/p/11219781.html 2、显卡驱动cuda不匹配 查看显卡支持的CUDA版本 https://blog.csdn.net/wangyjfrecky/article/details/55100963?depth_1-utm_source=distribute.pc_relevant_right.none-task&utm_source=distribute.pc_relevant_right.none-task CUDA与相对应的Cudnn对应关系 http://www.manongjc.com/article/101071.html 3、nvcc和nvidia-smi显示的CUDA版本不同？ 链接失效，找到了再填上 4、code: 8, reason: CUDNN_STATUS_EXECUTION_FAILED报错 cuda与cudnn版本之间不匹配 目前cuda版本cuda_10.0.130_411.31_win10 cudnn版本是cudnn

本文根据智东西公开课推出的超级公开课NVIDIA专场第13讲《案例解读：不同行业如何选择深度学习服务器》上的系统讲解整理而来，由NVIDIA NPN合作伙伴负责人吴强、NVIDIA 高级系统架构师易成共同主讲。 本次讲解中NVIDIA NPN合作伙伴负责人吴强从性能、可编程性、灵活性等方面对CPU、GPU、FPGA、ASIC等不同类型的服务器进行了系统的比较分析，并给出了五条选择GPU服务器的基本原则： 1.考虑业务应用先选择GPU型号 2.考虑服务器的使用场景及数量（边缘/中心） 3.考虑客户自身的目标使用人群及IT运维能力 4.考虑服务器配套软件的价值以及服务的价值 5.考虑整体GPU集群系统的成熟度及工程效率 NVIDIA 高级系统架构师易成则从计算性能、互联互通、可扩展性、适用场景等方面系统讲解了DGX-1、DGX-2、DGX Station以及如何利用VNIDIA NGC高效的使用DGX系统。 吴强： 大家好，我是吴强，也是NVIDIA NPN（NVIDIA PARTNER NETWORK）合作伙伴负责人，主要负责帮助销售以及与合作伙伴的管理。今天分享的主题为《不同行业如何选择深度学习服务器》，主要从以下几个方面来进行： 1.不同类型AI服务器之比较分析 2.选择GPU服务器的基本原则 3.AI超级计算机DGX系统详解 4.NGC云平台使用方法和价值 5

# nvidia-docker安装部署以及操作手册 前言 docker和nvidia-docker的区别 由于我们深度学习需要用到GPU，使用docker时，需要映射设备等等，docker容器对宿主机的依赖就会很多也就失去了便捷，并不能让我们很舒服的迁移环境，nvidia-docker则很好的封装了这些，只需要容器内的cuda版本和宿主机相同就行（这个要求很低了，而且这个要求现在也基本可以通过docker hub上别人做好的带有各种cuda版本的镜像来满足，所以几乎无要求） 其实nvidia-docker只是run 和 exec命令和docker执行不同，其余的和docker执行的一模一样 ## 1.卸载 nvidia-docker 1.0 及其他GPU容器 ``` $ docker volume ls -q -f driver=nvidia-docker | xargs -r -I{} -n1 docker ps -q -a -f volume={} | xargs -r docker rm -f $ sudo apt-get purge -y nvidia-docker ``` ## 2. 添加package repositories ``` $curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | \

转载自： https://blog.csdn.net/handsome_bear/article/details/80903477 文章目录 1 NVIDIA-SMI介绍 2 NVIDIA-SMI命令系列详解 2.1 nvidia-smi 2.2 nvidia-smi -q 2.3 设备修改选项 2.4 nvidia-smi dmon 2.5 nvidia-smi pmon 2.6 [nvidia-smi实时刷新并高亮显示状态](https://www.cnblogs.com/haiyang21/p/7725469.html) 1 NVIDIA-SMI介绍 nvidia-smi 简称 NVSMI，提供监控GPU使用情况和更改GPU状态的功能，是一个跨平台工具，它支持所有标准的NVIDIA驱动程序支持的Linux发行版以及从WindowsServer 2008 R2开始的64位的系统。该工具是N卡驱动附带的，只要安装好驱动后就会有它。 Windows下程序位置：C:\Program Files\NVIDIACorporation\NVSMI\nvidia-smi.exe。 Linux下程序位置：/usr/bin/nvidia-smi，由于所在位置已经加入PATH路径，可直接输入nvidia-smi运行。 2 NVIDIA-SMI命令系列详解 2.1 nvidia-smi

首先明确cudnn就是cuda的一个补丁 0. 查看cuda版本 nvcc -V ubuntu下查看cuda版本和cudnn版本 cat / usr / local / cuda / version . txt cat / usr / local / cuda / include / cudnn . h | grep CUDNN_MAJOR - A 2 验证cudnn是否安装成功 cd /usr/local/cuda-10.1/samples/1_Utilities/deviceQuery sudo make ./deviceQuery 1. win10查看cudnn版本 ( env_torch ) C : \Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10 . 0 \include > ` type cudnn . h | findstr CUDNN_MAJOR` #define CUDNN_MAJOR 7` #define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL) cudnn-10.0-windows10-x64-v7.6.5.32 下载地址 https://developer.nvidia.com/rdp/cudnn