Ubuntu下自用软件配置全纪录（施工中）

本文链接：https://blog.csdn.net/Alaife_1007/article/details/89344778

本文记录了在Ubuntu 16.04上配置SLAM和TensorFlow环境的全过程，包括硬件环境、系统设定、Python环境（Anaconda，TensorFlow，OpenCV）、显卡驱动安装、SLAM相关库（如g2o，ceres，PCL）的编译安装，以及IDE（PyCharm，KDevelop）和常用软件（Chrome，Typora等）的配置。

摘要由CSDN通过智能技术生成

Ubuntu下自用软件配置（SLAM+Tensorflw）全纪录

Ubuntu断断续续用了将近两年了，也算踩了无数的坑，被各个配置折腾了一遍又一遍。

在这里对自己曾经犯的错误和应当使用的正确方式进行记录。

文章目录

Ubuntu下自用软件配置（SLAM+Tensorflw）全纪录

1.任务目标及软硬件环境说明

1.1 任务目标

首先来说一下自己在用的软件环境所需要包含的内容：
1、首先是python+tensorflow+cuda+cudnn等，用于深度学习、opencv的Python环境。
2、其次是C++ +OPENCV+PCL等，用于视觉slam学习和编程的环境。
3、最后是几个比较习惯的IDE和常用软件的安装。

写到这里，可能正在看的你应该也就明白了，这的东西主要是写给我自己看的。

1.2 硬件配置

其次是当前正在使用的硬件配置。
CPU：AMD Ryzen2600 6C12T oc 3.9Ghz
不得不说amd现在真的很不错了，主要还是线程数足够多这点真的是人类福音，配置slam环境时，编译安装各个库，都是靠着make -j8、j9,甚至j10，替我节省了大量的时间，之前所说的在锐龙一代上使用linux产生的各种问题也都没有产生。
但是也有一定的局限性，python下的opencv是基于numpy的，而numpy对于intel平台有更好的支持，当我在python下使用使用opencv的时候，个别情境下产生了明显的延迟（我并不确定这是否是由于锐龙平台的原因，毕竟我没有一台8500或者8600k进行横向比较，只能和一台G4560比较，但是相较之下，G4560在这个任务下表现更好。）

GPU：RTX 2060
2060是搭载张量核心（tensor cores）的显卡之中最便宜的入门产品，理论上可明显提升张量运算的速度和效率，这在我测试一些简单模型的时候的确有所体会。同时，张量核心允许显卡以fp16加载模型，牺牲模型精度从而将等效现存翻倍，这个的话，仅仅是听说，以及了解过相应的技术规格，并没有进行实际的测试，因此有待后续验证。

内存：2*8G 的海力士CJR内存
做过dl的人应该都知道内存>显存的道理，因此选择了16G，如果后续使用fp16，依旧足够。