1、文件下载位置: url: cuda下载位置 2、到目录下执行 chmod 777 cuda_11.4.0_470.42.01_linux.run ，确保授予权限，文件名白色变绿色 3、sh cuda_11.4.0_470.42.01_linux.run 4、添加环境变量：(需要注意不要限定死版本) ～/.bashrc ~~export PATH="/usr/local/cuda-11.0/bin:$PAT
torch.device代表将torch.Tensor分配到的设备的对象，有cpu和cuda两种，这里的cuda就是gpu，至于为什么不直接用gpu与cpu对应，是因为gpu的编程接口采用的是cuda。 print(torch.cuda.is_available()) #cuda是否可用； print(torch.cuda.device_count()) #返回gpu数量； print(torch.cud
某天在使用ros的时候发现打开rosrun rqt_tf_tree按tab出现： rospack: error while loading shared libraries: librospack.so: cannot open shared object file: No such file or directory 这时候正好是在配置CUDA，所以发现了相应的原因：是cuda在.bashrc中的两行配置导致的！！！！！！！害得我
Nvidia CUDA初级教程1 CPU体系架构综述 视频：https://www.bilibili.com/video/BV1kx411m7Fk?p=2 讲师：周斌 本节内容：了解现代CPU的架构和性能优化： 流水线 Pipelining分支预测 Branch Prediction超标量 Superscalar乱序执行 Out-of-Order (OoO) Excution存储器层次 Memeory Hi
系统：ubuntu18.04 错误现象： 在编译cu文件时，有时会遇到nvcc: Command not found的错误，系统已经安装了cuda，为什么会出现这个错误呢，大概率是环境变量没有配置，系统找不到nvcc命令所在路径。 解决方案： 打开/home/用户名/.bashrc文件 在文件的末尾添加如下内容： export PATH=/usr/l
1. 提前安装好CUDA和CUDNN，安装方法，本文不再赘述，请自行百度。 2. 下载TensorRT，链接如下：[https://developer.nvidia.com/nvidia-tensorrt-8x-download](https://developer.nvidia.com/nvidia-tensorrt-8x-download) 下载页面如下图所示：笔者下载的是TensorRT8.2 CUDA 10.2 windo
当pytorch运行报错时，就来看看我吧！ AssertionError: The NVIDIA driver on your system is too old (found version 9000). Please update your GPU driver by downloading and installing a new version from the URL: http://www.nvidia.com/Download/index.aspx Alternati
首先我根据我的显卡驱动，我安装cuda官网给我推荐的11.5版本的cuda，接着我去安装pytorch 没找到对应11.5的版本，最高只找到11.3的，我又降级成11.3，然后又发现最高对应版本是python3.9的，我是3.10版本，我又重装python，最后对训练集进行训练发现训练过程中P，R显示为Null，模型也预测不了，然后去
Pycharm Community: https://download.jetbrains.8686c.com/python/pycharm-community-2021.3.1.exe Anaconda Python 3.6.5: https://repo.anaconda.com/archive/Anaconda3-5.2.0-Windows-x86_64.exe 血的教训：Python 一定要选 3.6 CUDA+CuDNN: Anaconda Promt执行命令 cond
A=cuda.to_device(a) fgriddim, blockdim b=A.copy_to_host() cuda{ blockDim:[x], blockIdx:[x], threadDim:[x], threadIdx:[x], gridDim:[x], } from numba import cuda import numpy as np @cuda.jit def addGPU(A,B,C): i=cuda.blockIdx.x j=cuda.threadIdx.
1、张量（Tensor）： a、各种数值数据可以为张量。 b、常数：scaler：0阶张量。 c、向量：vector：1阶张量。 d、矩阵：matrix：2阶张量。 2、张量的创建方式： a、torch.Tensor(list) b、torch.empty()/zeros()/ones() c、torch.rand()/randint()/randn(） 3、 tensor的数据类型和修改方
下载opencv_contrib 代码 下载地址 https://codeload.github.com/opencv/opencv_contrib/zip/refs/tags/4.2.0 ，这个仓库里是opencv扩展模块的代码（主要是cuda和dnn模块） 2.升级cmake wget https://cmake.org/files/v3.17/cmake-3.17.1.tar.gz
通过winscp将安装包传到服务器中(安装包位置192.168.1.6/image/安装包\云晁\Centos\centos_tool\新显卡驱动及不需联网的cuda) 执行chmod a+x NVIDIA-Linux-x86_64-440.31.run systemctl set-default multi-user.target 执行 ./NVIDIA-Linux-x86_64-440.31.run ，下一步
上官网查询 https://developer.nvidia.com/cuda-gpus#collapseOne
数据来源https://www.tensorflow.org/install/source_windows
搭建属于自己的GPU深度学习环境 一、GPU深度学习环境的搭建1.1安装CUDA和cuDNN1.2安装tensorflow-gpu深度学习库1.2.1创建一个新的环境1.2.2 tensorflow-gpu的安装1.2.3keras的安装 1.3 安装pytorch深度学习库1.3.1 创建一个新的环境1.3.2 pytorch的安装 一、GPU深度学
服务器重启后 Nvidia 环境错误 服务器重启后 服务运行报错，查看日志是Nvidia 驱动出了问题 system has unsupported display driver / cuda driver combination.系统具有不受支持的显示驱动程序/cuda驱动程序组合。 查看一下 看来是驱动版本匹配出了问题 重装
在下载的时候，踩了很多坑才弄好，所以来通俗易懂地记录一下错误，希望能对其他人有帮助。 首先要下载好cuda和cudnn，直接从官网选择对应的版本，获取相关的命名在anaconda中运行。 记得要加上后面的c pytorch，否则就会默认下载为cpu版本 如果已经下载为cpu版本，必须得先卸载再重新下。 可
前言 什么是GPU？ GPU（Graphic Process Units，图形处理器）。是一种单芯片处理器，主要用于管理和提高视频和图形的性能。GPU 加速计算是指同时利用图形处理器 (GPU) 和 CPU，加快应用程序的运行速度。为什么要用GPU？ 深度学习涉及很多向量或多矩阵运算，如矩阵相乘、矩阵相加、矩阵-向量乘法
1 安装CUDA10.2 下载CUDA：CUDA-Toolkit-Archive，选择CUDA Toolkit 10.2版本 选择操作系统、架构、Distribution及其版本（这里是Ubuntu18.04）和runfile（local）文件格式 可以使用wget下载，亦可复制链接进行下载 下载完成后:sudo sh cuda_10.2.89_440.33.01_linux.run 步骤说明
1.Ubuntu上安装nvidia driver 在https://www.nvidia.com/Download/index.aspx上根据系统版本和显卡的型号选择适合的驱动进行下载下载驱动软件完成后，如我下载的是NVIDIA-linux-x86_64-470.94.run，将其设置为可执行文件：sudo chmod +x NVIDIA-linux-x86_64-470.94.run按下CTRL +
import random import torch import numpy as np def same_seeds(seed): # Python built-in random module random.seed(seed) # Numpy np.random.seed(seed) # Torch torch.manual_seed(seed) if torch.cuda.is_available(): torch.cu
来源：https://docs.microsoft.com/zh-cn/windows/ai/directml/gpu-cuda-in-wsl ：https://www.jianshu.com/p/2b79a32bf416 主要安装过程： 适用于 Linux 的 Windows 子系统安装指南 (Windows 10) CUDA on WSL User Guide 1、系统要求 Windows 11 or Windows 10, version
今天用GPU跑的时候显示：RuntimeError: ProcessGroupNCCL is only supported with GPUs, no GPUs found! pg = ProcessGroupNCCL(prefix_store, rank, world_size, pg_options) RuntimeError: ProcessGroupNCCL is only supported with GPUs, no GPUs found! 这个错误一开始让我
使用共享内存也能帮助避免对未合并的全局内存的访问，矩阵转置就是一个典型的例子：读操作被自然合并，但写操作是按照交叉访问的。其中交叉访问是全局内存中最糟糕的访问模式，因为它浪费总线带宽，在共享内存的帮助下，可以先在共享内存中进行转置操作，然后再对全局内存进行合并写操
