ubuntu系统显卡驱动偶尔会出现奇怪的问题，造成图形用户界面循环登陆，本文记录相关问题的解决方案。 卸载旧驱动 在登陆界面 ctrl+alt+F2 进入非图形界面控制台，登陆后输入命令： sudo apt-get remove nvidia-* sudo apt-get autoremove sudo apt-get purge nvidia* 安装驱动 加入PPA，然后更新库 sudo add-apt-repository ppa:graphics-drivers sudo apt-get
FaceFusion是一款可以直接换脸的项目，支持图片换脸和视频换脸，且不需要进行模型训练，是roop项目的迭代项目。
CUDA：Installation Guide Windows :: CUDA Toolkit Documentation
（1）NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念哦！CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。
本次安装参考了网上许多教程，结合自己的需求与理解，写下此篇博客，仅做本人总结使用。。
原来的老办法是这样的， cat /usr/local/cuda/version.txt
当我们在使用深度学习框架时，有时可能会遇到一些关于 CuDNN 库版本的警告或错误信息。其中一个常见的警告是 "Loaded runtime CuDNN library: 7102 (compatibility version 7100) but source was compiled with 7004"。在本篇文章中，我们将详细讲解这个警告的含义以及如何解决它。
Table 1. CUDA Toolkit and Compatible Driver Versions：
Windows 配置GPU加速编程环境可能问题比Linux多一些，本文记录配置过程。 环境需求 当前配置 操作系统：Windows 10 显卡型号：Nvidia GeForce GTX 960M 当前驱动：391.25 目标 升级显卡驱动 安装适用的Cuda 安装配套的Cudnn 测试安装结果 升级显卡驱动 查看当前驱动信息 打开Nvidia控制面板 📷 可以看到自己的显卡和驱动 查看并下载自己可用的驱动版本 登录官网：https://www.nvidia.cn/geforce/drivers/
若没有安装，则查看是否有N卡驱动，若无N卡驱动，则到软件与更新 -> 附加驱动中安装驱动
配置环境，研究了一整天，踩了很多坑，在网上找了很多资料，发现基本上都没非常明确的教程，所以今天想分享一下配置tensorflow GPU版本的经验，希望能让各位朋友少走些弯路。（PS：一切的前提，你需要有一张Nvidia显卡。我的显卡是 GT940MX）
linux查看CUDA版本、CUDNN版本、显卡的使用情况。 查看cuda 版本 cat /usr/local/cuda/version.txt 查看cudnn 版本 cat /usr/lo
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/137929.html原文链接：https://javaforall.cn
无sudo权限，参考https://blog.csdn.net/weixin_41278720/article/details/81255265 CUDA Toolkit 9.0和cudnn 7
对于深度学习初学者来说，配置深度学习的环境可能是一大难题，因此本文主要讲解CUDA; cuDNN; Pytorch 三者是什么，以及他们之间的依赖关系。
CUDA官网: https://developer.nvidia.com/cuda-downloads
/etc/sysconfig/network-scripts/ifcfg-eth0的配置文件中，ONBOOT=yes必须设置，这样可以保证系统重启时进行ssh连接时，网络服务也会自启动，否则会导致网络不通。
根据自己的GPU 选择合适的版本，我的是RTX2080Ti，选择CUDA10.0版本，按照默认地址安装就好，安装完之后看是否有环境变量。没有的话自己加上。
如果无法查看，则说明尚未安装nvidia驱动，点击附加驱动，选择对应版本的驱动即可自动下载。
Anacodna相关操作 下载安装以及切换镜像 #下载和安装anaconda wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.2.0-Linux-x86_64.sh bash Anaconda3-5.2.0-Linux-x86_64.sh #切换到清华源,加快下载速度 wget https://tuna.moe/oh-my-tuna/oh-my-tuna.py python oh-my-tuna.py conda
全网最详细 | Windows 安装 TensorFlow2.0 GPU 详细教程
通过命令行输入nvidia-smi查看自己的显卡驱动版本以及支持的最大CUDA版本，下图第一行就显示了这些信息，可以看到，最大支持CCUDA10.2，更高版本的CUDA需要升级驱动程序。
深度学习如火如荼，使用普通的cpu来跑模型真的让人急死，就算最普通的垃圾显卡，只要支持cuda，就可以实现gpu加速，其速度至少是cpu的5倍。
1. 查看CUDA版本 方法1: 查看文件 cat /usr/local/cuda/version.txt 方法2: 命令 nvcc --version 2. 查看cudnn版本
本文将介绍 腾讯云 GPU服务器 GPU计算型GN8 上进行的Pytorch模型训练。
tensorflow1.12之后gpu使用cuda10.0对应的驱动，不要求安装cuda，[但pytorch要求安装cuda和cudnn(暂不确定)]，如果本机的驱动版本小于cuda10.0对应的驱动版本，建议安装cuda10.x的驱动来覆盖本机的驱动，不用卸载再安装驱动
修正：Ubuntu 18.04+RTX2080Ti建议安装cuda10.0，cudnn7.5.1，pytorch1.4.0+cu100 / torchvision0.5.0+cu100，tensorflow-gpu1.14.0 修正日期：20200611
硬件环境： 自己的笔记本电脑 CPU：i5-4210M GPU：NVIDIA Geforce 940M
此文为交流群「TensorFlow群」呵呵哒贡献，自己在win10中安装时踩过的坑，希望还被这些问题困扰的小伙伴，看完此文后能豁然开朗，同时没有安装过的以后可能会用到的小伙伴，可以收藏下，以备后用。
1.先通过该网站查看tensorflow和cuda和cudnn版本以及visual studio(MSVC)的对应关系。（可供参考）
Windows上显卡的驱动一般是已经安装成功的，这里首先需要查看自己的显卡支持的CUDA版本。具体操作顺序维：桌面右击NVIDIA控制面板->导航栏选择帮助点击系统信息->切换到组件选项卡。
https://developer.nvidia.com/cuda-downloads 当你点进这个链接的时候，从1看到是cuda11.2版本，
借助 NVIDIA Jetson AGX Xavier 开发者套件，您可以轻松创建和部署面向制造、交付、零售、智慧城市等领域的端到端 AI 机器人应用程序。该套件由 NVIDIA JetPack 和 DeepStream SDK，以及 CUDA®、cuDNN 和 TensorRT 软件库提供支持，可为您提供立即入门所需的所有工具
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。
1. Anaconda a. 下载 首先进入Anaconda的官网： https://www.anaconda.com/distribution 选择Windows下Python3.7（注意：必须选择64位，因为TF不支持Python32位的）
前不久刚刚入手了一台新电脑，显卡为RTX3060，在安装环境的时候，踩了不少坑，现在将经验总结如下：
腾讯云比阿里云的GPU服务器更多一些，在阿里云上有时会出现没有GPU服务器或者售罄。
【磐创AI导读】：本系列文章介绍了与tensorflow的相关知识，包括其介绍、安装及使用等。本篇文章是本系列文章的最后一篇。查看上篇：一文上手Tensorflow2.0之tf.keras｜三。在文末作者给出了答疑群的二维码，有疑问的读者可以进群提问。想要获取更多的机器学习、深度学习资源，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。
最近学校给了一个服务器账号用来训练神经网络使用，服务器本身配置是十路titan V，然后在上面装了tensorflow2.2，对应的python版本是3.6.2，装好之后用tf.test.is_gpu_available()查看是否能调用gpu，结果返回结果是false，具体如下：
本文介绍了如何通过配置Windows系统环境来学习TensorFlow，包括安装CUDA、cuDNN、Anaconda环境和Python版本等。作者选择了Windows系统环境作为学习TensorFlow的起点，并通过安装CUDA和cuDNN来优化环境。最后，作者通过Anaconda环境配置了Python环境，并安装了TensorFlow CPU版本和GPU版本，成功进行了TensorFlow的测试。
还是以谷歌的colab为例，查看gpu、cuda、cudnn信息 import torch torch.__version__ '1.4.0' 也就是说colab上自带的pytorch版本是最新的1.4.0版本 torch.version.cuda '10.1' torch.backends.cudnn.version() cuda是计算平台，cudnn是GPU加速库，cuda和cudnn的版本要对应。 torch.cuda.get_device_name(0) 'Tesla T4' 目前使用的显卡是Tes
一直以为自己的笔记本不支持tensflow-gpu的运行，结果每次运行模型都要好久。偶然间一个想法，想试试自己的笔记本，结果竟然神奇的发现能用GPU。于是分享一下安装步骤.
【今日导读】想做点云深度学习？先把环境配置好吧。本期为初学者带来环境配置指南，有需求的同学赶快上手吧。配置为：
随后在cmd处通过import tensorflow，查看本机的CUDA以及cuDNN的适机版本：
当前只装了ubuntu16.04单系统，亲测可用，之前ubuntu16.04+win10双系统下也是这种方法装的，只是需要切换视频线的接口，可参考这篇
此篇博客记录一下TLinux系统安装显卡NVIDIA驱动与CUDA10/11的艰难过程。
创建虚拟环境还是相对较快的，它会自动为本环境安装一些基本的库，等待时间无需很长，成功之后界面如下所示：
文档内容比较简略，实操下来可能会遇到不少问题。本文以离线环境部署为前提，给出一个实际案例。
$ lspci | grep -i nvidia 我的显示为Tesla P800
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
