CUDA与CUDNN
nvcc -V
"查看 CUDA 版本"
cat /usr/local/cuda/version.txt
"查看 CUDNN 版本"
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
Pytorch
"conda安装指定版本pytorch CUDA 10.0"
conda install pytorch==1.4.0 torchvision==0.5.0 cudatoolkit=10.0 -c pytorch
"测试 输出True安装成功"
import torch
import torchvision
print(torch.cuda.is_available())
包管理
"aptitude也会像apt那样检测到依赖冲突,然后给出解决方案。
不同的地方在于对于解决方案你有三个选择(y/n/q),y就是同意,n不同意,然后会继续给出下一个解决方案。q–>退出,放弃安装。
假如第一个解决方案是不安装,你就可以选择n,然后一般而言第二个解决方案将会自动降级安装依赖的软件(如果是一系列软件版本过高的话),这个时候选择Y同意基本都可以安装成功。"
sudo aptitude install <包名>
sudo apt-get install <包名>
查看
cat /proc/cpuinfo| grep "physical id"| sort| uniq| wc -l
cat /proc/cpuinfo| grep "cpu cores"| uniq
cat /proc/cpuinfo| grep "processor"| wc -l
"简洁美观的查看GPU使用情况的小工具"
pip install gpustat
watch -c -n1 gpustat -cpu --color
"Nvidia 显卡命令行管理套件"
nvidia-smi
pip
"生成requirements.txt"
pip freeze > requirements.txt
"从requirements.txt安装依赖库"
pip install -r requirements.txt
"pip跳过缓存缓存,重新下载安装"
pip --no-cache-dir install <包名>