Jeston nano配置(三)卸载cuda10.2安装cuda9 并安装tensorflow-gpu
(一)卸载cuda10.2
参考帖子:
Nvidiajetsonnano配置CUDA9CUDNN7.1.5 - 百度文库
ourkix的博客:Nvidia jetson nano 配置 CUDA9 CUDNN7.1.5 _ 【IIS7站长之家】
1、卸载cuda
查看已安装cuda
#通过dpkg命令,查看相关cuda安装的包
dpkg -l | grep -i cuda
查询出来是这些,可以根据查询出来的包来⽤apt-get卸载
(下面不是自己的,贴了别人的做演示)
sudo apt-get remove cuda-cublas-10-0
sudo apt-get remove cuda-repo-l4t-10-0-local-10.0.166
sudo apt-get remove cuda-toolkit-10-0
sudo apt-get remove cuda-cudart-10-0
sudo apt-get remove cuda-license-10-0
卸载cuda,我这⾥⼀次性卸载
sudo apt-get remove cuda*
2、卸载cudnn
查询cudnn相关已安装包
dpkg -l | grep -i cudnn
卸载cudnn
sudo apt-get remove libcudnn8*
3、卸载nvinfer
查询nvinfer相关已安装包
dpkg -l | grep -i libnvinfer
卸载nvinfer
sudo apt-get remove libnvinfer*
4、卸载visionwork(根据⾃⼰需求来选择卸载)
查询visionwork相关已安装包
dpkg -l | grep -i vision
卸载visionwork
sudo apt-get remove libvisio*
5、卸载opencv(根据⾃⼰需求来选择卸载)
查询opencv相关已安装包
dpkg -l | grep -i opencv
卸载opencv
sudo apt-get remove libopencv*
(二)下载cuda9、cudnn7
参考帖子:
arm安装cuda9.0,tensorflow-gpu, jetson tx2安装Jetpack踩坑合集 - 水木清扬 - 博客园
Jetson TX2 安装 cuda9.0 及 cudnn7 超详细(真实亲测) - 灰信网(软件开发博客聚合)
1、在下面网站下载.run文件
Jetson Download Center | NVIDIA Developer
2、将文件拷贝到ubuntu16上,操作(注意:ubuntu18不可以)
先给777权限,再 ./ xxx.run
(等待安装。。。)
(注意:路径中不能有 中文!!!)
3、打开 jetpack_download 文件夹
下载完成后文件是这些:
cuda-repo-l4t-9-0-local_9.0.252-1_arm64.deb
libcudnn7_7.1.5.14-1+cuda9.0_arm64.deb
libcudnn7-dev_7.1.5.14-1+cuda9.0_arm64.deb
libcudnn7-doc_7.1.5.14-1+cuda9.0_arm64.deb
libnvinfer4_4.1.3-1+cuda9.0_arm64.deb
libnvinfer-dev_4.1.3-1+cuda9.0_arm64.deb
libnvinfer-samples_4.1.3-1+cuda9.0_arm64.deb
libgie-dev_4.1.3-1+cuda9.0_arm64.deb
(三)安装cuda9、cudnn7
(根据这些顺序来安装)
(去到下载好解压的⽂件夹中,命令⾏输⼊)
1、安装cuda
sudo dpkg -i cuda-repo-l4t-9-0-local_9.0.252-1_arm64.deb
sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub
sudo apt update
sudo apt-get install cuda-toolkit-9-0
2、安装cudnn
由于都是 .deb 文件,因此直接使用 下面的命令安装即可:
sudo dpkg -i libcudnn7_7.1.5.14-1+cuda9.0_arm64.deb
sudo dpkg -i libcudnn7-dev_7.1.5.14-1+cuda9.0_arm64.deb
sudo dpkg -i libcudnn7-doc_7.1.5.14-1+cuda9.0_arm64.deb
3、安装nvinfer
sudo dpkg -i libnvinfer4_4.1.3-1+cuda9.0_arm64.deb
sudo dpkg -i libnvinfer-dev_4.1.3-1+cuda9.0_arm64.deb
sudo dpkg -i libnvinfer-samples_4.1.3-1+cuda9.0_arm64.deb
4、安装libgie
sudo dpkg -i libgie-dev_4.1.3-1+cuda9.0_arm64.deb
(四)配置环境变量
1、修改cuda的环境变量(没有gedit可以⽤vim)
sudo gedit ~/.bashrc
打开后,拉到最下⾯,将原来的cuda10的环境变量都删除掉。
写⼊
export CUBA_HOME=/usr/local/cuda-9.0
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-9.0/bin:/usr/local/bin/cmake:$PATH
保存退出,更新环境变量
source ~/.bashrc
2、cudnn安装完成后,其实是直接安装到了默认安装路径usr/include和usr/lib下的,因此需要将其拷贝到cuda安装路径下:
sudo cp /usr/include/cudnn.h /usr/local/cuda/include/
sudo cp /usr/lib/aarch64-linux-gnu/libcudnn* /usr/local/cuda/lib64/
然后执行下面命令,用重新生成cudnn库的软连接
cd /usr/local/cuda/lib64sudo chmod +r libcudnn*sudo rm -rf libcudnn.so libcudnn.so.7
sudo ln -s libcudnn.so.7.1.5 libcudnn.so.7
sudo ln -s libcudnn.so.7 libcudnn.sosudo ldconfig
到此,cuda 及 cudnn 安装就完成了。
(五)测试
1、测试cuda版本
nvcc -V
打印出cuda9.0成功
2、测试cudnn版本
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
得到
#define CUDNN_MAJOR 7
#define CUDNN_MINOR 1
#define CUDNN_PATCHLEVEL 5
--
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)#include "driver_types.h"
可知,当前的 cudnn 版本是 7.1.5。
3、检查cudnn
玩转Jetson Nano(二)检查已安装组件_贝克汉鸭的博客-CSDN博客
Jetson-nano中已经安装好了cuDNN,并有例子可供运行,我们运行一下例子,也正好验证上面的CUDA
cd /usr/src/cudnn_samples_v7/mnistCUDNN
sudo make
sudo chmod a+x mnistCUDNN
./mnistCUDNN
如果成功,如下所示
(下图中的gcc版本可能有出入)
cudnnGetVersion() : 7105 , CUDNN_VERSION from cudnn.h : 7105 (7.1.5)
Host compiler version : GCC 4.8.4
There are 1 CUDA capable devices on your machine :
device 0 : sms 1 Capabilities 5.3, SmClock 921.6 Mhz, MemSize (Mb) 3956, MemClock 12.8 Mhz, Ecc=0, boardGroupID=0
Using device 0Testing single precision
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.354323 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 2.859844 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 5: 8.539687 time requiring 203008 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 8.603073 time requiring 2057744 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 9.619896 time requiring 57600 memory
Resulting weights from Softmax:
0.0000000 0.9999399 0.0000000 0.0000000 0.0000561 0.0000000 0.0000012 0.0000017 0.0000010 0.0000000
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 0.9999288 0.0000000 0.0000711 0.0000000 0.0000000 0.0000000 0.0000000
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 0.9999820 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5Test passed!Testing half precision (math in single precision)
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.206719 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.257865 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.354739 time requiring 28800 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 8.522656 time requiring 207360 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 8.905677 time requiring 2057744 memory
Resulting weights from Softmax:
0.0000001 1.0000000 0.0000001 0.0000000 0.0000563 0.0000001 0.0000012 0.0000017 0.0000010 0.0000001
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 1.0000000 0.0000000 0.0000714 0.0000000 0.0000000 0.0000000 0.0000000
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 1.0000000 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5Test passed!
接下来可以编译opencv、tensorflow-gpu等。
********************************提供更换gcc、g++版本的方法(开始)********************************
为了与cuda9.0匹配,考虑安装了gcc-4.8和g++-4.8(或者gcc-6和g++-6)
安装GCC4.8
sudo apt-get install gcc-4.8
sudo apt-get install g++-4.8
创建软链接:
sudo ln -s /usr/bin/gcc-4.8 /usr/local/cuda/bin/gcc
sudo ln -s /usr/bin/g++-4.8 /usr/local/cuda/bin/g++
**************************************************(结束)************************************************
(六)安装tensorflow
1、安装pip
sudo apt install python-pip
这将安装 pip 和它的许多其他依赖项。
查看pip版本(此时默认pip版本是 9.0.1)
pip -V
升级pip版本
python -m pip install --upgrade pip
pip 升级为 20.3.4
在执行 pip -V之前,要做一些修改:
sudo vi /usr/bin/pip
将原来的
from pip import main
if __name__ == '__main__':sys.exit(main())
改成
from pip import __main__
if __name__ == '__main__':sys.exit(__main__._main())
pip -V
打印:
pip 20.3.4 from /home/nvidia/.local/lib/python2.7/site-packages/pip (python 2.7)
2、安装常用依赖库
sudo apt-get install python-scipy
sudo apt-get install python-pandas
sudo apt-get install python-sklearn
这里面没有numpy和matplotlib,不是说他俩不重要,而是安装其它包时,这两个也会被自动安装。
3、安装tensorflow
1)确认CUDA已经被正常安装
nvcc -V
如果能看到CUDA版本号,即为正确安装
2)安装所需要的包
sudo apt-get install libhdf5-serial-dev hdf5-tools
3)安装TensorFlow GPU版本
因为后面要用ros,考虑安装 py2 的tensorflow-gpu版本(网上帖子都是基于python3的tensorflow-gpu安装,没办法,自己趟出一条血路,经过N次重装系统,终于可行,都是泪)
由于tensorflow1.13.1没有提供python2版本,尝试安装tensorflow1.14.0-py2
Index of /compute/redist/jp/v33/tensorflow-gpu
如果你网速太慢,whl文件我已下载好了,给出链接:
tensorflow_gpu-1.14.0+nv19.9-cp27-cp27mu-linux_aarch64.whl-嵌入式文档类资源-CSDN下载
pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v33 tensorflow-gpu==1.14.0+nv19.9 --user
安装过程中,可能出现error:ImportError: No module named wrapt----------------------------------------
Command "python setup.py egg_info" failed with error code 1 in /tmp/pip-install-kbtEa9/wrapt/解决:
pip install --upgrade setuptools
安装完成后,会有一些警告,如下图
报的警告是:某些 安装库的路径 没有添加到 环境变量PATH 中,先不管它
4)测试tensorflow
在python2.7中导入 tensorflow
成功导入tensorflow
用一个例子测试一下tensorflow
# coding=UTF-8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as pltx_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
noise = np.random.normal(0, 0.02, x_data.shape)
y_data = np.square(x_data) + noisex = tf.placeholder(tf.float32, [None, 1])
y = tf.placeholder(tf.float32, [None, 1])# 输入层一个神经元,输出层一个神经元,中间10个
# 第一层
Weights_L1 = tf.Variable(tf.random.normal([1, 10]))
Biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + Biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)# 第二层
Weights_L2 = tf.Variable(tf.random.normal([10, 1]))
Biases_L2 = tf.Variable(tf.zeros([1, 1]))
Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + Biases_L2
pred = tf.nn.tanh(Wx_plus_b_L2)# 损失函数
loss = tf.reduce_mean(tf.square(y - pred))# 训练
train = tf.train.GradientDescentOptimizer(0.1).minimize(loss)with tf.Session() as sess:sess.run(tf.global_variables_initializer())for i in range(2000):sess.run(train, feed_dict={x: x_data, y: y_data})print("第{0}次,loss = {1}".format(i, sess.run(loss,feed_dict={x: x_data, y: y_data})))pred_vaule = sess.run(pred, feed_dict={x: x_data})plt.figure()plt.scatter(x_data, y_data)plt.plot(x_data, pred_vaule, 'r-', lw=5)plt.show()
例子参考:
玩转Jetson Nano(三)安装TensorFlow GPU_贝克汉鸭的博客-CSDN博客_jetson nano tensorflow
下图是运行成功的截图:
至此,基于python2.7的 tensorflow-gpu 安装完成!!!
(七)安装 keras
考虑与tensorflow-gpu版本适配,我们安装 keras 2.3.1
pip install keras==2.3.1
检查一下安装成果,import keras时,下方提示using TensorFlow backend,就证明Keras安装成功并使用TensorFlow作为backend。
(八)继续安装 opencv
sudo dpkg -i libopencvxxxxxxx.deb
去 jetpack_download文件夹 下,自行安装即可。
************************************(分割线)*******************************************************
【下面的内容是安装cuda10、cudnn7.3,经过我的测试,tensorflow1.14.0与cuda10并不兼容,所以下面内容的cuda10、cudnn7.3下载并配置部分可以参考,但是tensorflow安装部分请读者自行修改对应的tensorflow版本】
(二)下载cuda10、cudnn7.3
参考帖子:
arm安装cuda9.0,tensorflow-gpu, jetson tx2安装Jetpack踩坑合集 - 水木清扬 - 博客园
Jetson TX2 安装 cuda9.0 及 cudnn7 超详细(真实亲测) - 灰信网(软件开发博客聚合)
1、在下面网站下载.run文件
Jetson Download Center | NVIDIA Developer
2、将文件拷贝到ubuntu16上,操作(注意:ubuntu18没试过)
先给777权限,再 ./ xxx.run
(等待安装。。。)
(注意:路径中不能有 中文!!!)
1是 安装路径
2是 下载路径,cuda和cudnn安装包就在此
3、打开 jetpack_download 文件夹
下载完成后文件是这些:
cuda-repo-l4t-10-0-local-10.0.117_1.0-1_arm64.deb
libcudnn7_7.3.1.20-1+cuda10.0_arm64.deb
libcudnn7-dev_7.3.1.20-1+cuda10.0_arm64.deb
libcudnn7-doc_7.3.1.20-1+cuda10.0_arm64.deb
libnvinfer5_5.0.3-1+cuda10.0_arm64.deb
libnvinfer-dev_5.0.3-1+cuda10.0_arm64.deb
libnvinfer-samples_5.0.3-1+cuda10.0_all.deb
libgie-dev_5.0.3-1+cuda10.0_all.deb
(三)安装cuda10、cudnn7.1
(根据这些顺序来安装)
(去到下载好解压的⽂件夹中,命令⾏输⼊)
1、安装cuda
sudo dpkg -i cuda-repo-l4t-10-0-local-10.0.117_1.0-1_arm64.deb
sudo apt-key add /var/cuda-repo-10-0-local-10.0.117/7fa2af80.pub
sudo apt update
sudo apt-get install cuda-toolkit-10-0
2、安装cudnn
由于都是 .deb 文件,因此直接使用 下面的命令安装即可:
sudo dpkg -i libcudnn7_7.3.1.20-1+cuda10.0_arm64.deb
sudo dpkg -i libcudnn7-dev_7.3.1.20-1+cuda10.0_arm64.deb
sudo dpkg -i libcudnn7-doc_7.3.1.20-1+cuda10.0_arm64.deb
3、安装nvinfer
sudo dpkg -i libnvinfer5_5.0.3-1+cuda10.0_arm64.deb
sudo dpkg -i libnvinfer-dev_5.0.3-1+cuda10.0_arm64.deb
sudo dpkg -i libnvinfer-samples_5.0.3-1+cuda10.0_all.deb
4、安装libgie
sudo dpkg -i libgie-dev_5.0.3-1+cuda10.0_all.deb
(四)配置环境变量
修改cuda的环境变量(没有gedit可以⽤vim)
sudo gedit ~/.bashrc
打开后,拉倒最下⾯,将原来的cuda10.2的环境变量都删除掉。
写⼊
export CUBA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-10.0/bin:/usr/local/bin/cmake:$PATH
保存退出,更新环境变量
source ~/.bashrc
cudnn 安装完成后,其实是直接安装到了默认安装路径usr/include和usr/lib下的,因此需要将其拷贝到cuda安装路径下:
sudo cp /usr/include/cudnn.h /usr/local/cuda/include/
sudo cp /usr/lib/aarch64-linux-gnu/libcudnn* /usr/local/cuda/lib64/
然后执行下面命令,用重新生成cudnn库的软连接
cd /usr/local/cuda/lib64sudo chmod +r libcudnn*sudo rm -rf libcudnn.so libcudnn.so.7
sudo ln -s libcudnn.so.7.3.1 libcudnn.so.7
sudo ln -s libcudnn.so.7 libcudnn.sosudo ldconfig
到此,cuda 及 cudnn 安装就完成了。
(五)测试
nvcc -V打印出:
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sun_Aug_12_21:08:25_CDT_2018
Cuda compilation tools, release 10.0, V10.0.117
打印出cuda10.0成功。
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
得到
#define CUDNN_MAJOR 7
#define CUDNN_MINOR 3
#define CUDNN_PATCHLEVEL 1
--
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)#include "driver_types.h"
可知,当前的 cudnn 版本是 7.3.1。
检查cudnn
玩转Jetson Nano(二)检查已安装组件_贝克汉鸭的博客-CSDN博客
Jetson-nano中已经安装好了cuDNN,并有例子可供运行,我们运行一下例子,也正好验证上面的CUDA
cd /usr/src/cudnn_samples_v7/mnistCUDNN
sudo make
sudo chmod a+x mnistCUDNN
./mnistCUDNN
如果成功,如下所示
cudnnGetVersion() : 7301 , CUDNN_VERSION from cudnn.h : 7301 (7.3.1)
Host compiler version : GCC 7.5.0
There are 1 CUDA capable devices on your machine :
device 0 : sms 1 Capabilities 5.3, SmClock 921.6 Mhz, MemSize (Mb) 3956, MemClock 12.8 Mhz, Ecc=0, boardGroupID=0
Using device 0Testing single precision
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.105781 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.908281 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 5.615313 time requiring 57600 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 8.604583 time requiring 207360 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 9.908385 time requiring 2057744 memory
Resulting weights from Softmax:
0.0000000 0.9999399 0.0000000 0.0000000 0.0000561 0.0000000 0.0000012 0.0000017 0.0000010 0.0000000
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 0.9999288 0.0000000 0.0000711 0.0000000 0.0000000 0.0000000 0.0000000
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 0.9999820 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5Test passed!Testing half precision (math in single precision)
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.128698 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.214740 time requiring 28800 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.397813 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 1.029636 time requiring 207360 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 5: 6.952447 time requiring 203008 memory
Resulting weights from Softmax:
0.0000001 1.0000000 0.0000001 0.0000000 0.0000563 0.0000001 0.0000012 0.0000017 0.0000010 0.0000001
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 1.0000000 0.0000000 0.0000714 0.0000000 0.0000000 0.0000000 0.0000000
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 1.0000000 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5Test passed!
(六)安装tensorflow
1、安装pip
sudo apt install python-pip这将安装 pip 和它的许多其他依赖项。
查看pip版本
pip -V此时默认pip版本是 9.0.1
升级pip版本
python -m pip install --upgrade pip升级为 20.3.4
在执行 pip -V之前,要做一些修改:
sudo vi /usr/bin/pip
将原来的
from pip import main
if __name__ == '__main__':sys.exit(main())
改成
from pip import __main__
if __name__ == '__main__':sys.exit(__main__._main())
pip -V打印:
pip 20.3.4 from /home/nvidia/.local/lib/python2.7/site-packages/pip (python 2.7)
2、安装常用依赖库
sudo apt-get install python-scipy
sudo apt-get install python-pandas
sudo apt-get install python-sklearn这里面没有numpy和matplotlib,不是说他俩不重要,而是安装其它包时,这两个也会被自动安装。
3、安装tensorflow
(1)确认CUDA已经被正常安装
nvcc -V
如果能看到CUDA版本号,即为正确安装
(2)安装所需要的包
sudo apt-get install libhdf5-serial-dev hdf5-tools
(3)安装TensorFlow GPU版本
Index of /compute/redist/jp/v33/tensorflow-gpu
pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v33 tensorflow-gpu==1.14.0+nv19.9 --user
可能出现error:ImportError: No module named wrapt----------------------------------------
Command "python setup.py egg_info" failed with error code 1 in /tmp/pip-install-kbtEa9/wrapt/解决:
pip install --upgrade setuptools
Jeston nano配置(三)卸载cuda10.2安装cuda9 并安装tensorflow-gpu相关推荐
- ubuntu16.04/18.04安装卸载cuda10.0/10.1和cudnn图文说明
ubuntu16.04/18.04安装卸载cuda10.0/10.1和cudnn图文说明 前言 一.安装cuda10.0 1.官网下载cuda安装文件 2.开始安装cuda10.0 二.安装cuda1 ...
- 英伟达Jeston nano<3>使用Python实现三种方式串口通信
英伟达Jeston nano<3>使用Python实现三种方式串口通信 前言 通信配置过程 基本信息 配置过程 方案一:Python-40pinEXpansion Header 方案二:P ...
- ubuntu卸载_ROS入门笔记(二):ROS安装与环境配置及卸载(重点)
1 ROS安装步骤 1.1 ROS版本 ROS目前只支持在Linux系统上安装部署, 它的首选开发平台是Ubuntu. 注:如果Ubuntu版本和ROS版本不对应的话,安装就不会成功了- 笔者使用的平 ...
- 【RAC】 RAC For W2K8R2 安装--共享磁盘的配置(三)
[RAC] RAC For W2K8R2 安装--共享磁盘的配置(三) 一.1 BLOG文档结构图 一.2 前言部分 一.2.1 导读 各位技术爱好者,看完本文后,你可以掌握如下的技能,也可以学 ...
- Caffe + Ubuntu 15.04/16.04 + CUDA 7.5/8.0 在服务器上安装配置及卸载重新安装(已测试可执行)
本文参考如下: caffe 安装所需的所有资源可在百度网盘下载 链接: http://pan.baidu.com/s/1jIRJ6mU 提取密码:xehi 在服务器上为每个子用户拷贝caffe 使用 ...
- ROS入门笔记(二):ROS安装与环境配置及卸载(重点)
ROS入门笔记(二):ROS安装与环境配置及卸载(重点) 文章目录 1 ROS安装步骤 1.1 ROS版本 1.2 确定Ubuntu版本号 1.3 安装ROS 1.3.1 Ubuntu初始环境配置 1 ...
- Mysql(免安装版)安装、配置、卸载与更改端口
Mysql(免安装版)安装.配置.卸载与更改端口 第一步:下载Mysql 官网下载地址:MySQL :: Download MySQL Community Server 1.鼠标滑下来,找到Other ...
- JAVA安装、配置及卸载
基本上从入门到实用非常全面了. 安装 安装Eclipse先配置jdk jdk下载地址:https://www.oracle.com/technetwork/java/javase/downloads/ ...
- surface装linux系统安装软件,在Surface book上安装、配置和卸载Ubuntu16.04
#################################################################### 近来疏于阅读文献,沉迷提高编程技能不能自拔. 闲来记录下走过的 ...
最新文章
- 架构师说了:不想做背锅侠?生产问题要这样查
- 华硕ac68u最佳设置_灵耀X2 Pro和ARTone双双登场 华硕一举承包轻奢创作
- 【shell变量替换】
- win10装linux分区格式化硬盘,windows10 下硬盘安装centos7.0 – MBR硬盘分区格式
- nyoj 1216 整理图书(dp)
- python getopt
- windows与linux网络设置(host-only)
- mysql group 条件,mysql - mysql group by,两个条件,限制1 - SO中文参考 - www.soinside.com...
- 最优视频监控软件开发的实现方法
- 9招让你皮肤迅速白嫩 - 健康程序员,至尚生活!
- 51Nod-1384 全排列【全排列】
- 基于电子商务网站开发的项目管理计划设计
- 夜神模拟器连接手柄无反应_夜神模拟器怎么连接手柄?夜神模拟器连接手柄具体操作...
- Graph Anomaly Detection with Deep Learning——基于属性图的节点异常检测
- python 热度图_python可视化(七)绘制詹姆斯、杜兰特、伦纳德生涯数据热度图...
- word如何转excel
- 第14课:实战之用 Python 写一个简易爬虫
- 韩剧机器人题材的_有这九部题材不同风格各异的韩剧,你这个冬天可不会剧荒了...
- Python 网络爬虫工具:httpx 和 parsel(对比测评)
- 国外智商测试软件,国际标准智商测试软件_UOML实现 中国软件国际标准零突破...
热门文章
- 基于单片机智能水杯 保温杯 定时提醒喝水 温度控制的设计与实现
- 基于likeadmin管理后台搭建—同城跑腿系统
- 【专题4:直流无刷电机控制】 之 【4.驱动器设计 - 电源软启动设计】
- 注水问题 C语言和C++答案
- 北语计算机基础知识作业1,北语20春《计算机基础》作业1【标准答案】
- 电池管理系统BMS,BMS菊花链通信系统
- fastadmin 导出
- java面试题经典20例【第六季_常瑞鹏】
- OWASP TOP10系列之#TOP1# A1-注入类
- 车载TBOX标准-用于和后台系统/手机APP通信,实现手机APP车辆控制