墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
6.3k累计阅读
6.3k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
./cuda_10.0.130_410.48_linux
安装后会有如下提示：
查看CUDA的版本号
安装命令
> tar xvzf cudnn-10.0-linux-x64-v7.5.0.56.tgz
> cp cuda/include/cudnn.h /usr/local/cuda/include/
> cp cuda/lib64/* /usr/local/cuda/lib64/
> ldconfig /usr/local/cuda
查看CUDNN版本
./NVIDIA-Linux-x86_64-410.57.run
验证方法
执行nvidia-smi，如果一切正常会列出当前机器上的显卡。
如果发现nvidia-smi执行很慢，可以执行下nvidia-persistenced --persistence-mode，再执行nvidia-smi就会变快很多。
Linux 安装Nvidia GPU显卡驱动
安装Nvidia GPU驱动\CUDA
NVIDIA 安装 CUDA
名词解释：CUDA 是一个架构 该架构使GPU能够解决复杂的计算问题此实战使用电脑为联想Y9000P 显卡型号为 3060在安装 CUDA 之前需要先打开 NVIDIA 控制面板如图我这个显卡需要安装 CUDA 11.7 的版本进入官网下载 CUDA NVIDIA Developer 选择 CUDA 注意：不要在这个页面点击下载因为默认版本是11.8 要选择自己所对应的版本 进行版本选择找到自己要下载的版本 进行下载 三、安装 CUDAYou already have a newer version
nvidia GPU驱动程序安装、cuda安装
GPU驱动程序安装 GPU驱动程序安装 主要参考：https://blog.youkuaiyun.com/wangsidadehao/article/details/70255754 验证输入nvidia-sim出现驱动版本就说明安装成功了。 次要参考：https://blog.youkuaiyun.com/u014797226/article/details/79626693 CUDA安装 主要参考：...
E: The repository ‘https://developer.download.nvidia.com/../x86_64 InRelease‘ is no longer signed解决
E: The repository 'https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64 InRelease' is no longer signed.解决方案
centos7 离线安装 NVIDIA GPU驱动
centos下离线安装cuda驱动 1:准备驱动 wget http://developer.download.nvidia.com/compute/cuda/11.0.1/local_installers/cuda-repo-rhel7-11-0-local-11.0.1_450.36.06-1.x86_64.rpm 2:拷贝程序包到yum源位置，重新生成索引 <1>:拷贝 cp cuda-repo-rhel7-11-0-local-11.0.1_450.36.06-1.x86_..
Ollama开启GPU加速与NVIDIA驱动安装
开启Ollama的GPU加速，与NVIDIA显卡安装步骤，超级详细，适合0基础小白。
Centos 7 安装 Nvidia GPU 驱动
一、 安装准备 前提服务器上有支持CUDA的Nvidia GPU，查看支持CUDA的GPU列表：https://developer.nvidia.com/cuda-gpus 查看Linux服务器是否有GPU的简单命令（查看显卡信息）： lspci | grep -i nvidia 验证系统是否是受支持的Linux版本 uname -m && cat /etc/redhat-release 验证系统是否有GCC编译环境，没有的话需要先安装GCC. gcc -v 二、 开始安装 下载驱
k8s中如何使用gpu、gpu资源讲解、nvidia gpu驱动安装
gpu资源也是服务器中常见的一种资源，gpu即显卡，一般用在人工智能、图文识别、大模型等领域，其中nvidia gpu是nvidia公司生产的nvidia类型的显卡，amd gpu则是adm公司生产的amd类型gpu。企业中服务器最常见的就是英伟达gpu服务器了。本篇也主要讲解英伟达驱动相关的知识。
Deepin 20配置NVIDIA驱动和CUDA——完美安装Tensorflow-gpu
Deepin 20 Beta 配置NVIDIA驱动和Cuda 10——安装Tensorflow-gpu 一、安装NVIDIA Driver二、安装CUDA和CUDNN三、安装tensorflow-gpu 电脑配置Deepin 20 Beta + GTX1050，tensorflow-gpu安装的版本是tensorflow-gpu 1.14.0，Python3.7,CUDA安装的版本是CUDA Toolkit 10.0，CUDNN是要与CUDA版本对应的。 最近安装了新发布的Deepin 20Beta系统，界
CentOS系统下安装NVIDIA GPU驱动
从 ELRepo 源中安装GPU驱动 1、添加ELRepo源 Import the public key： rpm --import https://www.elrepo.org/RPM-GPG-KEY-elrepo.org To install ELRepo for RHEL-8 or CentOS-8: yum install https://www.elrepo.org/elrepo-rel...
【GPU】安装nvidia驱动
安装NVIDIA驱动通常有几种方法，包括使用发行版自带的软件仓库、使用NVIDIA官方网站上的.run文件、或使用专有的PPA（个人软件包存档）等。
linux安装NVIDIA GPU驱动
nvidia gpu是目前人工智能常用的硬件，使用该硬件，一般安装程序适配的cuda即可（cuda中含有GPU的驱动），如果要单独安装驱动，也可以先安装驱动，再安装cuda，cuda安装过程中，把驱动安装步骤取消掉即可。 1、首先到官网上找到自己GPU硬件对应的cuda版本： CUDA Toolkit Archive | NVIDIA Developer 2、安装前设置 # 1.关闭图形界面 #systemctl set-default multi-user.target #systemctl
基于Cesium的北斗卫星轨道实时可视化系统开发实践
本文详细介绍了基于Cesium的北斗卫星轨道实时可视化系统开发实践，涵盖系统架构设计、轨道计算实现、后端服务开发及前端可视化实现等关键环节。通过优化算法和数据流设计，系统实现了厘米级精度的卫星轨道实时渲染，适用于导航卫星系统的科研与工程应用。
VMware ESXi安装NVIDIA GPU显卡硬件驱动和配置vGPU
一、驱动软件准备：从nvidia网站下载驱动，注意，和普通显卡下载驱动地址不同。 按照ESXi对应版本不同下载不同的安装包。安装包内含ESXi主机驱动和虚拟机驱动。 GPU显卡和物理服务器兼容查询：（重要：一定要查兼容，最近遇到一客户反馈安装驱动后运行nvidia-smi各种报错，最后查询是因为不兼容导致。） https://www.nvidia.com/zh-cn/data-center/resources/vgpu-certified-servers/ 二、安装显卡驱动 1、将驱动vib上传
基于睿抗智能小车省赛第一题兵人识别的学习5.25
先用pip uninstall numpy卸载，再在后面输入pip install numpy==1.23安装版本为1.23的numpy。首先安装Anaconda环境；pycharm方便使用，安装yolov5以及一大堆数据包；由于python中的numpy插件包版本过高，训练失败，所以要安装一个版本低的包。每次运行都要先运行虚拟环境，输入：conda activate。图中所有精度大概在0.768-0.99之间。这里指定安装numpy1.23.。训练完成会得到一个衡量精度的指标。等待99张图片训练完成。
[Dify] 如何构建一个带评分功能的 Dify AI 教练系统
本文介绍如何利用Dify开源平台构建具备自动评分功能的AI教练系统。系统通过Prompt设计AI教练角色，使用OpenAPI定义评分工具接口，结合工作流编排实现提问、回答收集、评分和反馈的全流程。文章详细讲解了从AI教练身份设定、多维度评分标准设计到前端可视化展示的实现方法，并提供了可扩展建议，适用于语言训练、面试模拟等多种场景。该系统展示了Dify平台在构建智能化评估应用方面的优势，实现零代码开发专业AI教练解决方案。
linux7安装gpu驱动,centos7安装NVIDIA gpu驱动
1.官网下载对应型号的驱动：https://www.nvidia.com/Download/index.aspx我的gpu型号是telsa m40，系统是centos7.72.下载CUDA Toolkithttps://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&target_dist...
学Simulink--基础储能管理场景实例：基于Simulink的储能SOC均衡控制策略仿真
本文完成了基于 Simulink 的储能 SOC 均衡控制策略仿真，实现了：✅掌握并联系统 SOC 分化机理✅构建基于电流重分配的主动均衡架构✅验证均衡对系统可用容量的显著提升✅实现 SOC 偏差 < 2% 的高精度控制。
NVIDIA-GPU 驱动程序安装
NVIDIA-GPU 驱动程序安装、卸载、nvidia-smi的使用。
聊聊蓝牙配对技术-CTKD OVER BR/EDR
摘要：本文探讨了蓝牙设备通过跨传输密钥派生（CTKD）机制实现双模连接的技术细节。研究发现，手机在连接双模耳机时优先通过BR/EDR配对，再利用CTKD派生BLE连接所需的密钥。关键条件包括：设备地址一致性、启用安全连接（Secure Connection）及禁用justworks配对方式。文章详细剖析了从BR/EDR链路密钥派生BLE长期密钥（LTK）的算法流程，重点解析了H6/H7加密函数的作用机制与安全差异。研究还通过HCI日志验证了密钥交换和加密建立的完整过程，指出蓝牙5.1版本对CTKD安全性的强
【YOLOv12改进trick】高效多尺度卷积注意力EMCAD_Block模块引入YOLOv12，实现涨点和效率提升，含创新点Python代码
EMCAD引入YOLOv12模块，实现高效多尺度注意力模块引入到YOLOv12中的快速涨点及效率提升
NVIDIA GPU A800 驱动安装及基础测试
A800 GPU 驱动安装及基础测试
【Visual Assist X助手安装问题】Visual Assist X无法安装（双击安装包没反应） | Visual Assist X安装后在Visual Studio中找不到（亲测有效）
本文分享了Visual Assisant X助手的安装与使用问题的详细解决办法，因为网上搜集的信息比较少，所以有一定的参考价值。考虑到很多开发新手会遇到上述问题，可能对Windows系统不熟悉，所以相关操作步骤讲解的很详细！
nvidia驱动、cuda和GPU版本pytorch安装
1、nvidia官网：https://www.nvidia.cn/ 2、找到 驱动程序 -> 所有 NVIDIA驱动程序 找到对应显卡的最新驱动 3、根据自己电脑的显卡型号 查找驱动，如 GTX1050 4、找到后，下载安装即可 未完待续....... cuda 和 cudnn安装 ...
电商平台系统需求规格说明书（示例）
电商系统：指本文件所描述的集商品展示、销售、支付、物流跟踪、用户管理等功能于一体的综合性在线购物平台。API：应用程序编程接口（Application Programming Interface），用于实现系统各模块之间或与外部系统之间的数据交互和功能调用。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Linux(CentOS)下安装NVIDIA GPU驱动
GCC 官网：http://gcc.gnu.org 1）检查 NVIDIA驱动需要GCC等C/C++开发环境，首先检测GCC是否已经安装 gcc –v# 如果系统显示没有找到GCC指令，或没有显示GCC版本信息，则需要安装C/C++环境 2）安装 # 使用yum命令安装 yum -y install gcc gcc-c++ kernel-devel //安装gc...
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3万+
扫一扫
