推荐时间1min30s，网上已有多关于cuda安装教程，但往往不是这有问题，就是那有问题。这里写一个简单易懂可行的cuda 安装教程。
其实听早就接触NVIDIA了，当初弄得时候，各种错误，也不好写博客误人子弟。但是后面还是会经常用到，出现问题，还是想办法解决一下吧，显卡弄不好，是病，得治！！！
花了一些时间，尝试着在ubuntu12.04上安装cuda6.把过程记录下来，给自己和同我一样小白的人以借鉴。 1 我要做什么 作为一只cuda菜鸟蛋，并没有什么编程基础，还发骚的想学习cuda，还要在linux下使用。各种问题层出不穷。 Cuda4是成功安装过的，因为之前的机器太破，没有optimus（Nvidia的一个自动切换显卡的技术，为了省电。），所以很容易成功（在这个帖子里，还是centos上安装的。http://meatball1982.diandian.com/post/201
在本教程中，我们将为您提供在Windows、Mac和Linux系统上安装和配置GPU版本的PyTorch（CUDA 12.1）的详细步骤。我们将使用清华大学开源软件镜像站作为软件源以加快下载速度。通过按照以下教程，您将轻松完成GPU版本PyTorch的安装，为深度学习任务做好准备。
打开官网，找到对应合适的版本（cuda)： https://pytorch.org/get-started/locally/
CUDA：Installation Guide Windows :: CUDA Toolkit Documentation
本教程将为您提供在Windows、Mac和Linux系统上安装和配置GPU版本的PyTorch（CUDA 12.1）的详细步骤。我们将使用清华大学开源软件镜像站作为软件源以加快下载速度。在今天的学习中，您将学会如何在不同操作系统上轻松安装和配置深度学习框架PyTorch，为您的AI项目做好准备。
实验室服务器上装载的cuda版本是最新的9.1，和从官网下载下来的TensorFlow不匹配，因为官方的是通过cuda9.0进行编译的。因此，这篇文章讨论关于Tensorflow源码安装的一些心得和过程，讨论安装Tensorflow版本兼容问题和cuda版本选择问题，最终实现在ubuntu16.04下通过源码安装TensorFlow-1.7.0，可以在cuda-9.1-cudnn7.1.2环境下正常工作。
会在当前用户目录下创建 .condarc 文件，可以查看更换源前后该文件内容的变化
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Teeyohuang/article/details/79081563
查看GPU型号： lspci | grep -i nvidia 驱动安装： https://www.nvidia.cn/Download/index.aspx?lang=cn 下载对应版本的驱动驱动
什么是TensorFlow？ TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU）、服务器、移动设备等等。TensorFlow 最初由Google Brain 小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深
darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。
在大型机构分配的服务器集群中，需要使用GPU的程序默认都会在第一张卡上进行，如果第一张卡倍别人占用或者显存不够的情况下，程序就会报错说没有显存容量，所以能够合理地利用GPU资源能帮助你更快更好地跑出实验效果。 1、指定使用GPU0运行脚本（默认是第一张显卡, 0代表第一张显卡的id,其他的以此类推） 第一种方式：
安装tensorflow-gpu，需特别注意tensorflow-gpu、Python、CUDA、cuDNN版本的适配信息，版本不适配会导致tensorflow-gpu安装失败，该安装教程选择的软件版本信息为：ubuntu18.04 + Anaconda3.5.3.1 + Python3.6.12 + tensorflow-gpu2.2.0 + CUDA10.1 + cuDNN7.6.5
一、Docker、深度学习镜像、Nvidia-docker的安装 安装这种事儿，真不想详细写。因为这里确实没有很多坑。
AI这个概念好像突然就火起来了，年初大比分战胜李世石的AlphaGo成功的吸引了大量的关注，但其实看看你的手机上的语音助手，相机上的人脸识别，今日头条上帮你自动筛选出来的新闻，还有各大音乐软件的歌曲“每日推荐”……形形色色的AI早已进入我们生活的方方面面。深刻的影响了着我们，可以说，这是一个AI的时代。 其实早在去年年底，谷歌就开源了其用来制作AlphaGo的深度系统Tensorflow，相信有不少同学曾经对着这款强大的机器学习系统蠢蠢欲动，但虽然有关Tensorflow的教程其实不少，甚至谷歌官方就在Te
看到标题，可能很多人会不太可能实现，因为 PyTorch 官网和 TensorFlow 官网最新版本的框架对 GPU 版本的 CUDA 版本的要求不一样，即使使用 Python 虚拟环境也是不可能把不同版本的 CUDA 做隔离，因为 CUDA 和 Python 虚拟环境没有一点关系！即使如此，我们还是可以把两个框架的 GPU 版本都装上，只不过不能安装两个框架的最新版本！
记得前不久刚陷入Tensorflow2.0的安装困境，这一次又被PyTorch 搞哭辽。
本文章基于李沐老师的《动手学深度学习》(pytorch版)，在此学习观礼膜拜。 课程主页：https://courses.d2l.ai/zh-v2 教材： https://zh-v2.d2l.ai
备注：已经装好cuda的请略过，往下看。 记得没有VS2012的一定要先装VS。否则：安装后打开VS2012新建项目不显示NIVIDA解决方案。记住记住记住！重要的事情说三遍！ 第一步： 安装文件的下载，直接去官网就下载就可以。现在有cuda7.0了。
【简述】 关于Window安装TensorFlow- GPU环境的文章网上已经有很多了，但是为什么还要写这篇文章呢，就是被网上的文章给坑了。由于tensorflow-gpu的版本和CDUDA版本，甚至CUDNN版本都有着对应关系，导致在安装TensorFlow- GPU入了很多坑，最后还是通过看错误信息，才顺利安装上的，因此分享这篇文章，避免小伙伴们入坑（大家可以对照我的模式来安装）。 借鉴了两位大神的安装教程之后，综合一下终于安装成功了。 https://www.cnblogs.com/raorao1994/p/8857229.html https://blog.csdn.net/qilixuening/article/details/77503631 先上环境：
一般的深度学习项目，训练时为了加快速度，会使用多GPU分布式训练。但在部署推理时，为了降低成本，往往使用单个GPU机器甚至嵌入式平台（比如 NVIDIA Jetson）进行部署，部署端也要有与训练时相同的深度学习环境，如caffe，TensorFlow等。由于训练的网络模型可能会很大（比如，inception，resnet等），参数很多，而且部署端的机器性能存在差异，就会导致推理速度慢，延迟高。这对于那些高实时性的应用场合是致命的，比如自动驾驶要求实时目标检测，目标追踪等。所以为了提高部署推理的速度，出现了很多轻量级神经网络，比如squeezenet，mobilenet，shufflenet等。基本做法都是基于现有的经典模型提出一种新的模型结构，然后用这些改造过的模型重新训练，再重新部署。
对于caffe的安装过程，可以说是让我终身难忘。两个星期就为了一个caffe，这其中的心路历程只有自己懂。从实验室的低配置显卡开始装Ubuntu，到编译caffe，解决各种报错，这个过程花费了一周的时间。把cuda版本和N卡驱动版本一降再降，仍然不管用。因此手剁了一台8000的高配置主机。之后为了平衡实验室项目，首先花了半天时间将win10下的相关和其他杂七杂八的软件配置。只有以为只需Ubuntu安装好，caffe编译成功即可，不想安装完Ubuntu之后，却电脑没有引导启动项，把网上的方法试了个遍，却仍无法解决。因此听到一种说法是，win10的启动路径覆盖了Ubuntu启动路径。因此，决定重新再来，将自己的固态和机械全部初始化，首先在固态上安装Ubuntu16.04，在机械上安装Win10，对于双系统的安装请参照我的另一篇博客：Win10与Ubuntu16.04双系统安装教程。在这种情况下参加那个caffe安装成功。请注意，对于双系统建议先安装Ubuntu，并将caffe编译成功之后在去机械上安装Win10。Caffe的安装教程请参照如下安装教程。
流程为：你可以通过Docker Client要求Docker daemon运行某一个image，daemon就会在系统查找这个image，如果找到了就 run the container forked from that image，否则pull the image from the Docker registry and create a container from the image.
tensorRT 7+ 安装教程
NVIDIA CUDA®深度神经网络库（cuDNN）是一个用于深度神经网络的GPU原始加速库。cuDNN 为标准例程（如前向和反后卷积、池化、归一化和激活层）提供了高度调整的实现。世界各地的深度学习研究人员和框架开发人员依靠 cuDNN 获得高性能 GPU 加速。它允许他们专注于培训神经网络和开发软件应用程序，而不是花时间在低级别的GPU性能调整上。cuDNN加速广泛使用的深度学习框架，包括Caffe2、Chainer、Keras、MATLAB、MxNet、PaddlePaddle、PyTorch和TensorFlow等。
最近人工智能等多门课需要复现论文，近两年的论文很多都是Pytorch环境，所以，这里总结一下Pytorch的安装教程，做好最快、最简单、最好地完成安装。
CUDA / Compute Unified Device Architecture / CUDA Toolkit / 工具包
参照官网安装教程即可，其他任何的个人安装攻略都只能是辅助参考。盲从有风险，安装需谨慎。
CUDA：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html cuDNN：https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installwindows
下载链接：https://developer.nvidia.com/cuda-toolkit-archive
目前AI绘画最牛的软件就两款，一个Midjourney（收费，最低也得一个月10美刀，需要科学），另一个叫stable-diffusion，而Stable Diffusion开源免费，不受网络限制，不过上手难度高点，电脑还有配置要求。
2017年1月18日，facebook下的torch7团队宣布Pytorch开源，官网地址：pytorch。2018.4月 ，PyTorch0.4.0已经有官方的Windows支持，
Ubuntu16.04下Nvidia+Cuda8.0+Dynet安装教程 - WeiYang Bloggodweiyang.com
看好版本后，就照着下就完了~ Python（3.7）我使用Anaconda，具体参照以下：
Linux系统主要应用于服务器领域，平常人在日常使用中并不多使用，接触最多也就是开发人员，所以在Linux软件安装教程上，我们也主要是一些服务器软件的安装配置，以及环境变量配置等信息，在安装教程中统一使用Xftp和Xshell两款工具来进行操作，Xftp主要用于上传文件，Xshell主要用于远程连接操作系统，两款工具的安装教程如下教程，也可在软件目录之中查找
按照网上博客的安装教程安装的Win10+Ubuntu16.04双系统安装了好几遍都不成功？启动Ubuntu左上一直有个光标在闪？如果你的电脑也是双硬盘（装Windows系统的固态硬盘+机械硬盘），在安装Win10+Ubuntu16.04双系统前一定要提前了解如下这些安装要点。
接下来我们检测GPU是否安装成功，如果没有安装GPU，会显示warning说是CPU only，最后test pass。这样说明安装成功
目前考虑进入梦寐以求的 机器学习、人工智能 等领域的学习，因此安装主流的机器学习框架 Tensorflow 迫在眉睫。
up在试了网上很多教程之后，一次次的都错，真的是安装了无数遍GPU版本的pytorch，使用清华源镜像但是有个巨坑，查了很多博客，终于有了点头绪顺利解决安装问题速度飞快。
按照教程一步步装好了 PyGOD，用到的命令如下所示（我的环境：PyTorch1.8.1 + CUDA11.1）：
PyG（PyTorch Geometric）是构建在 PyTorch 之上的一个库，可以方便地编写和训练图神经网络（GNNs），用于与结构化数据相关的广泛应用。它包括针对图和其他不规则结构的各种深度学习的方法，也称为几何深度学习，来自各种发表的论文。此外，它还包括易于使用的小批量加载器，用于操作许多小的和单个的巨型图，多 GPU 支持，数据管道支持，通过 Quiver 的分布式图学习，大量的通用基准数据集（也可以基于简单的接口创建自己的），GraphGym 实验管理器，以及有用的转换，这些都用于学习任意图
相信很多时候大家都会用到虚拟环境，他具有可以让你快速切换不同的python版本，让程序打包的时候轻量化等等优点，之前作为小白第一次接触python的时候，为了配置虚拟环境花了好几天，踩了很多坑，网上很多教程的水平也参差不齐，正好最近帮实习公司做了个学校项目，需要我提供python环境配置的文档，于是我就顺手把教程编辑成博客，跟大家分享一下，希望大家少走弯路~~~(保证是面向小白的保姆级教学！多图！)话不多说，直接上干货！
之前 写过一篇在 ubuntu 下安装 TensorFlow 的教程，那个时候 TensorFlow 官方还不支持 Windows 系统，虽然可以通过其他方法安装，但是终究不是原生的，而且安装过程繁琐易错。好消息是，Google官方在11月29号的开发者博客中宣布新的版本（0.12）将增加对Windows的支持，我11月30号知道的，立马就安装试了试，安装过程非常简单，不过也有一些需要手动调整。
AI 研习社消息，日前， Facebook 人工智能研究院发布 wav2letter 工具包，它是一个简单高效的端到端自动语音识别(ASR)系统，实现了 Wav2Letter: an End-to-End ConvNet-based Speech Recognition System 和 Letter-Based Speech Recognition with Gated ConvNets 这两篇论文中提出的架构。如果大家想现在就开始使用这个工具进行语音识别，Facebook 提供 Librispeech
安装部分 准备工作 下载各平台对应的安装包，各平台安装包下载链接如下： Windows macOs Linux 安装过程 安装过程在此不给出具体过程，可参照官方给出教程，各平台对应教程如下： Windows中Anaconda安装教程 macOS中Anaconda安装教程 Linux中Anconda安装教程 常用命令 查看安装版本 conda --version 查看帮助信息 conda --help conda -h 卸载conda # Linux/macOS conda -rc ~/anaconda3 查
1. 安装vs2015及以下版本 将c++有关选项选中安装完毕 CUDA需要C++的编译器，Windows下可以使用Visual C++，我们可以直接下载其官网推荐的Visual Studio。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
