x-shell安装、使用以及安装最新版本condax-shell安装远程连接服务器conda安装和环境配置x-shell安装  x-shell是一款终端模拟软件，用于在Windows界面下远程访问和使用不同系统下的服务器。免费版本下载地址：https://www.xshell.com/zh/free-for-home-school/如果进不去可以从网盘下载：链接：https://pan.baidu

20240202在WIN10下使用fastwhisper缺少cudnn_ops_infer64_8.dll2024/2/210:48https://blog.csdn.net/feinifi/article

800￥2、请正确安装好NVIDIA最新的545版本的驱动程序和CUDA、cuDNN。2、安装Torch3、配置whisperhttps://developer.ali

环境：系统：centos7CPU：Intel(R)Xeon(R)[email protected]核GPU：TeslaV100*4查看CPU信息：cat/proc/cpuinfo查看GPU信息：nvidia-smi一、安装CUDA11.2参照该博客附：TensorFlow/cuda版本对照：官方文档版本对照链接二、安装TensorFlow2.4pipinstalltensorflow-gp

架构中的半精度与单精度计算  由于项目原因，我们需要对darknet中卷积层进行优化，然而对于像caffe或者darknet这类深度学习框架来说，都已经将卷积运算转换成了矩阵乘法，从而可以方便调用cublas库函数和cudnn

Reshape层6.卷积层Conv2DLocallyConnected2D7.池化层8.循环层RNNSimpleRNNGRULSTMConvLSTM2DSimpleRNNCellGRUCellLSTMCellCuDNNGRUCuDNNLSTM9

1.环境配置默认已安装好NVIDIA驱动1.1安装cuda和cudnn1.1.1前置工作首先查看自己的显卡信息nvidia-smi+

cuda-repo-ubuntu2004-11-6-local_11.6.2-510.47.03-1_amd64.debwgethttps://download.amovlab.com/model/install/x86-nvidia/cudnn-lin

全部设置可以分为三部分：1.CUDNNcudnn中对卷积操作进行了优化，牺牲了精度来换取计算效率。

以上图片来源于这篇博客于是，我需要手动下载0.9.0torchvision直接在网站https://pypi.tuna.tsinghua.edu.cn/simple/后面加上torchvision，就不用ctrl+F搜torchvision了，即进入下面这个网站，找到对应版本的包下载安装即可https://pypi.tuna.tsinghua.edu.cn/simple/torchvision/

硬件加速：NVIDIACUDA和cuDNN，这些库提供了GPU加速计算的能力，对于大型模型的训练至关重要。分布式计算：Horovod,Ray等，这些框架和库提供了在多个计算节点上并行训练模型的能

colab中搭建tf-trt环境——解决TensorRT版本匹配问题可行的环境版本匹配：Ubuntu18.04cuda11.1cudnn8python3.7tensorflow-gpu2.7.0TensorRT7.2.2pycuda2021.1

NVIDIADeepLearningSDKDeepLearningPrimitives(CUDA®DeepNeuralNetworklibrary™(cuDNN))High-performancebuildingblocksfordeepneuralnetworkapplicationsincludingconvolutions

SDXLTensorRT构建SDXLTensorRTLCM调度器过程dockerpushkevinchina/deeplearning:cuda12.1torch2.1.1FROMnvidia/cuda:12.1.1-cudnn8

yolov8上使用gpu教程安装Cuda和Cudnnyolov8上使用gpu安装Cuda和Cudnn1.查看支持的cuda版本，并去官网下载。

CPU与GPU电脑的主板上有一块可拆卸的板卡，专门承担着输出显示图形的任务，这就是显卡。显卡通常配备几个小风扇，运行时会发出呜呜的噪声。GPU就是显卡中的一块芯片，是显卡的核心。GPU能够减少显卡对CPU的依赖，分担部分CPU的工作。与CPU相比，GPU高度并行的结构使得它比CPU更加高效。看下面这张图，绿色部分代表算数单元；CPU里只有几个算数单元，但CPU里有成百上千个算数单元。CPU里的控制

1、安装pydotpipinstallpydot2、安装cudnn官方下载页面下载解压后，复制bin、lib、include的三个文件夹到到cuda安装路径中，这是我的cuda路径：C:\ProgramFiles

anaconda环境变量2.检验添加国内（清华）镜像源二.安装cuda1.卡带NVIDA控制面板——系统信息，查看系统对应的cuda的版本2.官网下载，安装3.添加环境变量（该图是别的地方）4.检查三.安装cudnn

目录关于Anaconda：关于Pycharm：关于Pytorch：关于CUDA：关于Cudnn：一、前言：二、Anaconda安装三、Pycharm安装四、CUDA安装1、查看NVDIA显卡型号2、判断自己应该下载什么版本的

写篇blog记录一下配置tensorflow-gpu开发环境环境版本系统：Ubuntu18.04LTSGPU：GeForceGTX1050MobileCuda:9.0Cudnn:7.0.5Tensorflow-gpu

W:GPGerror:file:/var/cudnn-local-repo-ubuntu1804-8.9.6.50InRelease:Thefollowingsignaturescouldn'tbeverifiedbecausethepublickeyisnotavailable

系统及环境版本说明：操作系统：windows11GPU信息：NVIDIAGeForceRTX4070TiCUDA版本选择11.7cuDNN版本-8.7.0.84anaconda2021对应python版本

目录1、卸载之前的旧的或者不匹配的CUDA、cuDNN2、提前查电脑显卡支持的CUDA版本，便于后续下载对应的CUDA版本3、下载CUDA、cuDNN4、tensorflow和CUDA、cuDNN版本型号要匹配

win10下基于Anaconda、pytorch的YOLOV5深度学习环境搭建环境配置顺序：显卡驱动-CUDA-cudnn-Anaconda-pytorch-pychorm按这个顺序配置可以避免很多莫名其妙的错误出现

安装pytorch和torchvison1、了解：在安装pytorch前需要安装cuda和cudnn，该教程暂未涉及，后续会添加。

在JetsonXavierNX上制作YOLov5.5.0的镜像1、环境介绍（使用jtop进行查看）CUDA:10.2.300cuDNN:8.2.1.32TensorRT:8.0.1.32Opencv:4.1.1

序言本文目标：本文所总结的版本适配涉及显卡版本\python\cuda\cudnn\torch\torchvision\tensorflow-gpu\numpy等，这些模块之间互相都有联系，最好先用小本本记下来

超参数设置数据集载入固定的随机数种子在大量的机器学习与深度学习实验中，如果不进行特殊设置，我们的结果将不可复现，固定的随机数种子将会解决这个问题defsame_seed(seed):'''设置随机种子(便于复现)'''torch.backends.cudnn.deterministic

通过WSL2来实现TF的GPU加速为什么要用WSL（WindowsSubsystemLinux）安装WSL2，miniconda，cuda，cudnn，TA-Lib安装WSL2安装Miniconda3安装

二、Qt三、opencv四、libtorch是什么五、cuda-windows六、cmake七、cudnn-windows八、ffmpeg总结前言提示：这里可以添加本文要记录的大概内容：记录软件功能提示

还有就是最恶心的深度学习环境，配置Cuda，Cudnn，Pytorch，TensorFlow，Opencv，G

【ChatGLM2-6B】环境部署完整部署过程：Anacond安装Python&aconda系列：Anacond、Miniconda的下载安装配置教程详解CUDA、cuDNN安装python&anconda

https://medium.com/@changrongko/nv-how-to-check-cuda-and-cudnn-version-e05aa21daf6chttps://blog.csdn.net

当pytorch代码报错如下时，你是不是搜了半天发现都是让加.contiguous()，但是加了没用RuntimeError:cuDNNerror:CUDNN_STATUS_NOT_SUPPORTED.Thiserrormayappearifyoupassedinanon-contiguousinput

环境版本如下：Ubuntu16.04cuda9.0cudnn7.1gcc4.9.4cmake3.5.1protpbuf3.6.1opencv-python4.2.0查看cuda版本：cat/usr/local

文章目录GPU、NVIDIAGraphicsDrivers、CUDA、CUDAToolkit和cuDNN的关系使用情形判断仅仅使用PyTorch使用torch的第三方子模块安装NVIDIAGraphicsDrivers

假设已经创建好虚拟环境，这里我们选取tensorflow-gpu==2.1.0为例进行举例，注意python版本在3.6-3.9之间可以看出需要cudnn=7.6，cudatoolkit=10.1安装c

1.查看自己显卡的cuda版本在cmd输入：nvidia-smi如果提示没有此命令，说明你要装gpu驱动了2.查看tensorflow2.x与cuda和cudnn版本关系点击这里查看所以我选tensorflow2.7

CUDA版本查询：win+Rcmd命令行输入nvidia-smi查询右上角可见CUDAVersion11.6cudNN版本查询：按照路径查询文件：cudnn_version.hC:\ProgramFiles

1.准备工作启动已下载的docker镜像，查看编译TRT-LLM的主要依赖项版本OS:Ubuntu22.04cuda：12.2cudnn:8.9.4tensorrt:9.1.0python:3.

数据准备3.数据标注4.数据整理4.1数据集切分4.2修改数据文件4.3修改模型文件5.训练模型5.1训练5.2验证5.3测试6.训练结果分析1.环境搭建安装anaconda、python、cuda、cudnn

Stability-AI/generative-models.git2创建conda环境condacreate-nsvdpython=3.10condaactivatesvd3安装pytorchgpucuda和cudnn

在ubuntu安装cuda10.1和cudnn（亲测有效）2.你的nvidia驱动、GPU本来可以用的，但突然不能用了，可能是ubuntu内核版本升级后造成的问题。下面是对应的解决办法。

在sudoapt-getxxx时总会报以下错误：/sbin/ldconfig.real:/usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn.so

1、硬件安装——找到卡槽，顺位安装，找到电源插头，配套孔位即可2、软件安装——搞个NVIDIA控制面板此外，安装CUDA和cuDNNwin10下CUDA和CUDNN的安装（超详细）！亲测有效！

需要的下载pytorch版本以及cuda和cudnn的链接，直接下载使用即可，然后需要的python是3.7版本的即可https://download.pytorch.org/whl/lts/1.8/cu111

环境：系统：win10（显卡：NVIDIAGTX1050）Yolo版本：V4cuda:11.2cudnn:8.1.1opencv:3.4.15VS:20191.编译前准备1.1opencv首先要安装opencv

我的PyTorchversion0.4.1,cudatoolkit9.0cudnn7.6.5在程序中插入下面这句话，很好地解决了！

目录安装miniconda安装tensorflow安装libcudnn安装minicondawgethttps://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86

文章目录Vscode：ssh-remoteSftppython运行遇到问题cuDNNerror:CUDNN_STATUS_NOT_INITIALIZED程序后台运行两个服务器传输文件Vscode问题总结