cuda python alter

原创 已于 2022-08-31 21:34:43 修改 · 307 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#linux

于 2022-08-31 21:03:46 首次发布
这篇博客指导如何在Ubuntu 18.04上下载并安装多个版本的CUDA工具包，包括详细步骤如添加CUDA仓库、安装指定版本的CUDA以及验证安装。同时，它还提到了如何获取和使用不同版本的PyTorch，并链接到MMDetection的安装指南。
部署运行你感兴趣的模型镜像

CUDA

1. 下载并安装多版本的cuda toolkit

地址：https://developer.nvidia.com/cuda-toolkit-archive

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.1.0/local_installers/cuda-repo-ubuntu1804-11-1-local_11.1.0-455.23.05-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1804-11-1-local_11.1.0-455.23.05-1_amd64.deb
sudo apt-key add /var/cuda-repo-ubuntu1804-11-1-local/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda

2. verify

ls /usr/local

cat /usr/local/cuda/version.txt

pytorch

https://pytorch.org/get-started/previous-versions/

mmdet

https://mmdetection3d.readthedocs.io/zh_CN/latest/getting_started.html

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

Python小问题集合
雨陌cc的博客
09-25 522
Python小问题集合 1.Python换源小技巧 Python中可能会遇到，官方源无法下载的情况，或者官方源下载缓慢的情况，这个时候，我们就要给python换一个”源“来让他快速的下载我们想要的模块，下面就是一条完整的换源代码 pip install urllib3==1.25.10 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com 这条命令的意思是 pip install 模块名==版本 -i 要换源的地址 --truste
CUDA C编程权威指南习题解析
谢白羽
12-16 1329
6.为执行核函数的每个线程提供了一个唯一的线程ID，通过内置变量threadIdx.x可以在内核中对线程进行访问。3.用cudaDeviceSynchronize 函数来替换hello.cu中的cudaDeviceReset函数，然后编译运行，看看会发生什么。4.参考1.3节，从编译器命令行中移除设备架构标志，然后按照下面的方式进行编译，看看会发生什么。2.从hello.cu中移除cudaDeviceReset函数，然后编译运行，看看会发生什么。（1）对于二维数据，沿x轴进行块划分。
在 Ubuntu 上同时安装多个版本CUDA并无痛切换
qq_52698816的博客
10-11 547
本文介绍了无需重装即可切换CUDA版本的方法。通过安装多个CUDA Toolkit（避免驱动冲突），使用update-alternatives工具统一管理/usr/local/cuda的软链接指向不同版本。只需配置一次环境变量指向/usr/local/cuda，之后通过sudo update-alternatives --config cuda命令即可快速切换版本，无需每次修改环境变量。该方法简单高效，解决了深度学习开发中多CUDA版本管理的痛点。
多cuda版本切换（Unbuntu 18.04 3090 Cuda11.3 转换 Cuda11.7）
weixin_44476427的博客
03-24 463
Unbuntu 18.04 3090 多版本CUDA切换
详解python那些强大的NLP库
General_zy的博客
11-03 1554
参考spaCy官方文档的训练自定义模型指南。开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率。用法：为文件类对象或自定义词典的路径词典格式和dict.txt一样，一个词占一行；词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。词频省略时使用自动计算的能保证分出该词的词频。云计算 5 李小福 2 nr。
Python, C ++ are applicated to develop the app “primary drags for the fluent Virus ”
2501_90802096的博客
05-21 439
-----------------------**
切换python执行版本
passball
12-25 3947
1、查看当前系统中的python 可执行文件： ls /usr/bin/python* 2、查看系统中可用的版本：update-alternatives --list python         出现：update-alternatives: error: no alternatives for python           表示Python 的替代版本尚未被 update-alter...
以普通用户的身份安装tensorflow+cuda
Alter__的博客
01-08 191
大前提 在安装任何都东西之前我们先想好自己要安装什么版本的，在tensorflow官网可以查看。 这里我选择的是python3.6+tensorflow2.0.0+cuda10.0+cudnn7.4 安装anaconda 用python永远逃不了环境问题，老老实实先安装个anaconda再说。参考这里 安装temnsorflow 安装好anaconda以后也有了一个python为3.6的环境，我们进入环境安装tensorflowconda install tensorflow==2.0.0 安装cuda+
Python的logging模块（日志、DEBUG、INFO、WARNING、ERROR、CRITICAL）
热门推荐
Le0v1n 的博客
10-16 1万+
Python的logging模块（日志、DEBUG、INFO、WARNING、ERROR、CRITICAL）
Linux下用python做数据分析的环境配置
IrvingW的博客
07-27 3142
ipython安装 虽然python在linux系统中是默认安装的，但是python默认的解释器并不支持tab补全，所以推荐使用ipython。 sudo apt-get install ipython Vim 安装 当练习的时候不想使用太大的IDE怎么办？强大的vim帮助我们直接可以编写python文件 sudo apt-get install vim MySQL 环境配置 ...
Linux rsync命令
菜鸟记录
11-24 1035
⏹Linux rsync命令
【Linux】UDP
x_2023_713的博客
11-23 933
UDP编程的核心是“简单高效”，适合对实时性要求高、可容忍少量数据丢失的场景。
【Linux】从条件变量到信号量｜环形队列版生产者 - 消费者模型实战（附完整源码）
欢迎来到我的博客，私信我可以一起交流技术
11-23 899
前言：欢迎各位光临本博客，这里小编带你直接手撕**，文章并不复杂，愿诸君**耐其心性，忘却杂尘，道有所长！！！！在多线程编程中，同步与互斥是核心问题。本文将从条件变量、阻塞队列入手，逐步深入到POSIX信号量，并最终实现一个基于环形队列的生产者-消费者模型，展示不同同步机制的应用场景与实现细节。条件变量是线程间同步的基础工具，用于线程间的“等待-通知”机制。你可以把它想象成一个“消息板”，线程A在上面等待一个消息（条件满足），线程B在条件满足时在消息板上发布通知，唤醒线程A。这是条件变量最基础的实现，包含了
【Linux 进程管理】事件循环与多线程：Linux与RTOS的比较与实践
love131452098的博客
11-24 632
摘要：本文对比了事件循环与多线程在Linux和RTOS中的适用场景。单线程事件循环在高并发I/O场景下更高效稳定，利用epoll/io_uring降低开销；多线程适合CPU密集型任务。RTOS中单任务循环适合简单实时系统，多任务适合并行需求场景。文章分析了各自的优势、风险及治理方案，并给出选型建议：I/O密集用事件循环，CPU密集用线程池，关键实时路径用高优先级任务。最后提供了性能优化清单和监控指标，强调非阻塞I/O、背压控制和批处理等关键技术。
RHCE Day5 SELinux
Y_P_W的博客
11-23 1105
SELinux是Linux内核的安全访问控制系统，通过强制访问控制机制对进程和文件进行细粒度权限管理。SELinux有三种工作模式：强制模式(enforcing)、宽容模式(permissive)和禁用模式(disabled)。系统管理员可以通过getenforce/setenforce命令查看和临时修改模式，或通过修改/etc/selinux/config配置文件永久修改。SELinux通过安全上下文(security context)标识进程和文件的访问权限，包含用户类型、角色类型和策略类型等字段。管理
Linux部署基于Django的博客系统
不知道
11-23 589
本文介绍了在Linux系统上部署基于Django的博客系统的完整流程。系统采用集群架构，包含MySQL数据库服务器(db01)、NFS存储服务器(nfs01)和Web应用服务器(web01)。详细部署步骤包括：在db01上安装配置MySQL 8.4并创建数据库用户；在nfs01上搭建NFS共享存储并设置固定端口；在web01上安装Python 3.11环境，通过虚拟环境部署DjangoBlog项目，配置数据库连接和静态文件存储。文章提供了完整的命令操作流程，涵盖软件安装、服务配置、权限设置等关键环节，并附有
Linux_13(多线程）页表详解+轻量级进程+pthread_create
2401_87986548的博客
11-24 983
本文详细介绍了页表和线程的相关概念。在页表部分，阐述了虚拟地址到物理地址的映射机制，包括页目录、页表项和偏移量的三级转换过程，以及页框和页帧的设计原理。线程部分重点讲解了Linux系统中线程的实现方式，指出Linux内核通过轻量级进程（LWP）来模拟线程，使用进程PCB结构管理线程。文章还分析了线程与进程的区别，包括资源分配、调度机制等，并讨论了线程的优缺点，如切换开销小但健壮性较差等特点。最后通过代码示例展示了线程创建、共享资源和异常处理等实际应用场景。
Linux 下安装 Golang环境
最新发布
2509_94201941的博客
11-24 279
原文链接：https://blog.youkuaiyun.com/super_xyo/article/details/128210788。go modules 模式下，可以不配置GOPATH，默认【/root/go】国内镜像官网：https://golang.google.cn/如果之前已经安装过go的版本，先清空下go，不然可能会报错误。6. 查看golang版本，测试是否配置成功。标准官网：https://go.dev/Linux 下安装 Golang。获取Golang下载地址。获取Golang下载地址。
Linux命名管道：创建与原理详解
软件开发领域最优质的博客
11-23 530
本文详细介绍了Linux系统中的命名管道（FIFO）机制，包括其创建方法、工作原理和实际应用。命名管道作为进程间通信工具，允许无亲缘关系的进程通过文件系统进行数据交换。文章阐述了两种创建方式（mkfifo命令和C语言系统调用），解释了其阻塞式I/O特性，并提供了Shell脚本和C程序的使用示例。同时比较了命名管道与匿名管道的区别，指出了典型应用场景如日志收集和客户端-服务器通信，最后强调了权限控制和资源清理的重要性。命名管道是构建高效分布式系统的有力工具。
alueError Traceback (most recent call last) Cell In[1], line 6 4 from tensorflow.keras import layers, Model 5 from sklearn.preprocessing import MinMaxScaler ----> 6 import tensorflow_probability as tfp 7 tfd = tfp.distributions 9 # 1. 数据加载与预处理 File ~\AppData\Roaming\Python\Python39\site-packages\tensorflow_probability\__init__.py:20 15 """Tools for probabilistic reasoning in TensorFlow.""" 17 # Contributors to the `python/` dir should not alter this file; instead update 18 # `python/__init__.py` as necessary. ---> 20 from tensorflow_probability import substrates 21 # from tensorflow_probability.google import staging # DisableOnExport 22 # from tensorflow_probability.google import tfp_google # DisableOnExport 23 from tensorflow_probability.python import * # pylint: disable=wildcard-import File ~\AppData\Roaming\Python\Python39\site-packages\tensorflow_probability\substrates\__init__.py:17 1 # Copyright 2019 The TensorFlow Probability Authors. 2 # 3 # Licensed under the Apache License, Version 2.0 (the "License"); (...) 13 # limitations under the License. 14 # ============================================================================ 15 """TensorFlow Probability alternative substrates.""" ---> 17 from tensorflow_probability.python.internal import all_util 18 from tensorflow_probability.python.internal import lazy_loader # pylint: disable=g-direct-tensorflow-import 21 jax = lazy_loader.LazyLoader( 22 'jax', globals(), 23 'tensorflow_probability.substrates.jax') File ~\AppData\Roaming\Python\Python39\site-packages\tensorflow_probability\python\__init__.py:138 135 if _tf_loaded(): 136 # Non-lazy load of packages that register with tensorflow or keras. 137 for pkg_name in _maybe_nonlazy_load: --> 138 dir(globals()[pkg_name]) # Forces loading the package from its lazy loader. 141 all_util.remo
09-05
<think> 我们正在解决导入tensorflow_probability时出现的ValueError错误。首先，我们需要了解这个错误通常是由于版本不兼容引起的。TensorFlow和TensorFlow Probability（TFP）需要匹配的版本。 根据经验，我们可以采取以下步骤： 1. 确保安装的tensorflow和tensorflow-probability版本兼容。 2. 升级或降级其中一个库以匹配另一个库的版本要求。 具体步骤： a) 首先检查当前安装的TensorFlow版本：`pip show tensorflow` 或 `pip show tensorflow-gpu` b) 然后根据TensorFlow版本选择兼容的TFP版本。可以参考TFP官方文档的版本兼容性表格：https://github.com/tensorflow/probability#compatibility 例如，假设我们当前TensorFlow版本是2.5.0，那么我们应该安装tensorflow-probability==0.13.0。 如果遇到具体的错误信息，我们可以更针对性地解决。常见的错误信息可能是： ValueError: numpy.ndarray size changed, may indicate binary incompatibility. 如果错误与numpy相关，可能是因为numpy版本不兼容。可以尝试升级numpy或降级到兼容版本。 另外，有时需要先安装特定版本的TensorFlow，然后再安装对应版本的TFP。可以使用以下命令： pip install --upgrade tensorflow==2.5.0 pip install --upgrade tensorflow-probability==0.13.0 如果用户使用的是GPU版本，则安装tensorflow-gpu。 注意：由于用户没有提供具体的错误信息，我们只能给出一般性的解决方案。 如果上述方法不能解决问题，请提供具体的错误信息，以便进一步排查。 生成相关问题： 1. 如何查看当前安装的TensorFlow和TensorFlow Probability的版本？ 2. 如何安装指定版本的TensorFlow Probability？ 3. 遇到numpy版本不兼容的问题应该如何处理？ </think> ### 解决导入`tensorflow_probability`时的ValueError错误 该错误通常由版本不兼容引起，以下是系统化的解决方案： #### 1. **检查版本兼容性**（核心步骤） TensorFlow (TF) 和 TensorFlow Probability (TFP) 必须严格匹配： ```bash # 查看当前版本 pip show tensorflow tensorflow-probability # 交叉参考官方兼容表 # 官方兼容性表：https://github.com/tensorflow/probability#compatibility ``` 例如： - TF 2.12.x → TFP 0.20.x - TF 2.13.x → TFP 0.21.x - TF 2.15.x → TFP 0.22.x #### 2. **同步升级/降级** ```bash # 升级方案 pip install --upgrade tensorflow tensorflow-probability # 降级方案（示例） pip install tensorflow==2.13.0 tensorflow-probability==0.21.0 ``` #### 3. **解决依赖冲突** ```bash # 创建纯净环境 python -m venv tf_env source tf_env/bin/activate # Linux/macOS tf_env\Scripts\activate # Windows # 在新环境中安装 pip install --no-cache-dir tensorflow tensorflow-probability ``` #### 4. **验证安装** ```python import tensorflow as tf print("TF版本:", tf.__version__) import tensorflow_probability as tfp print("TFP版本:", tfp.__version__) # 成功导入即解决 ``` #### 5. **特殊错误处理** 若报错含`numpy.ndarray size changed`： ```bash pip install numpy==1.23.5 # 固定NumPy版本 ``` > **注意**：若使用GPU版本，需额外匹配CUDA/cuDNN，参考[TensorFlow GPU指南](https://www.tensorflow.org/install/gpu)[^1] --- ### 相关问题 1. 如何查看TensorFlow与TensorFlow Probability的兼容版本对应表？ 2. 创建Python虚拟环境时有哪些常见注意事项？ 3. 安装GPU版TensorFlow时如何解决CUDA版本冲突？ 4. 如何验证TensorFlow Probability是否成功启用了GPU加速？ [^1]: TensorFlow官方文档提供了详细的GPU支持矩阵：https://www.tensorflow.org/install/source#gpu
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值