pycuda和tensorrt的版本抄作业

最新推荐文章于 2024-10-11 10:58:10 发布
最新推荐文章于 2024-10-11 10:58:10 发布
阅读量445 收藏
点赞数
文章标签： 深度学习 人工智能
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。
本文链接：https://blog.csdn.net/blue_whale2020/article/details/122031153
版权

 一个开源的git

GitHub - wang-xinyu/tensorrtx: Implementation of popular deep learning networks with TensorRT network definition APIImplementation of popular deep learning networks with TensorRT network definition API - GitHub - wang-xinyu/tensorrtx: Implementation of popular deep learning networks with TensorRT network definition APIhttps://github.com/wang-xinyu/tensorrtx里面给出来的配置是

Ubuntu16.04 / cuda10.0 / cudnn7.6.5 / tensorrt7.0.0 / opencv3.3

 我自己的配置是

Centos7.6.1810/Python3.7.9/cuda10.1/cudnn7.6.0.2/tensorrt6.0.1.5/pycuda2019.1.1

Blue_Whale2020
关注
算法开发：jetson agx xavier配置虚环境，安装torch,opencv pycuda，tensorrt进行模型推理
suanfaxiazai的博客
08-03 548
至此环境全部安装完成，可以愉快的使用tensorrt做模型推理的，在x86上能跑的代码在xavier上也可以跑，例如我之前x86教程上的代码也可以在xavier上跑。因为刷机后自带tensorrt,因此要在虚环境中使用tensorrt需要拷贝,使用系统自带的python3查找tensorrt路径。cuda版本的opencv安装将在下一个教程中，现在安装opencv-python，安装时候一定要注意版本。下载torchvision：torch=1.8.0对应torchvision=0.9.0。
TensorRT-7.0.0.11.Windows10.x86_64.cuda-10.2.cudnn7.6.zip
02-08
英伟达用于深度学习推理加速的SDK
CUDA安装&cuDNN、TensorRT版本匹配
initative的博客
05-14 8584
模型部署推理时，涉及Trt与CUDA版本匹配的问题，本文记录一下如何查询匹配的CUDA，cuDNN和TensorRT版本，并配置安装。
深入浅出之TensorRT环境安装
最新发布
浩瀚之水的专栏
10-11 1409
本文操作均在Win10系统上完成，需要用到的软件与依赖包有：cuda 10.2 , cudnn 8.6.5 , VS2017 , OpenCV 4.0.0 , Anaconda3 , CMake 3.10.1 , TensorRT 8，pytorch通过英伟达官网来确认显卡驱动与CUDA版本对应关系，，基本上所有的版本cuda都能支持通过pytorch官网来确认也可以通过pytorch官网查询选择cudnn版本时要优先考虑tensorrt版本。
tensorrt cuda版本对应
weixin_41540237的博客
07-07 1万+
找到对应版本号，点击TensorRT Installation Guide(安装指南)——>2.Getting started——>Verify that you have the CUDA Toolkit installed;
pytorch与cuda与TensorRT的版本选择
ReadyShowShow的博客
07-26 657
linux安装pytorch与cuda与TensorRT的版本选择
(win10)CUDA cudnn Pycuda Python pytorch TensorRT 最新版本组合推荐（2023\8\17）
weixin_41883450的博客
08-17 1153
最新的pytorch2.0只支持到11.8，不建议安装最新的12.2。建议下载tar.gz压缩包，进入压缩包目录使用以下命令进行安装。pycuda2022.2至少需要python3.8的版本。或直接使用以下命令安装。
关于pip、pycuda、tensorrt等问题的解决措施
Charles的博客
02-29 791
通过pip安装东西，发现一直报错。接着输入pip -V得到： 但是实际在该目录下并找不到pip，估计原因是pip关联的是python2，而非python3. 在该博客中找到解决方法，重新安装了pip3，并指向了python3，问题解决。 ...
使用Python写CUDA程序的方法
01-20
* PyCUDA numbapro现在已经不推荐使用了，功能被拆分并分别被集成到accelerate和Numba了。 例子 numba Numba通过及时编译机制（JIT）优化Python代码，Numba可以针对本机的硬件环境进行优化，同时支持CPU和GPU的优化...
TensorRT Python接口PyCUDA安装包发布
- 特别是在需要实时处理大量数据的应用中，例如自动驾驶、视频流分析等，TensorRT和PyCUDA可以大幅减少延迟，提高处理速度。 7. 结语: 通过了解TensorRT的Python接口与PyCUDA的使用，开发者可以更好地利用NVIDIA...
(ubuntu 18.04 cuda 10.2 pytorch onnx→tensorrt) 使用tensorrt加载并运行onnx模型
heiha1232的博客
04-15 900
2021.4 ubuntu 18.04 cuda 10.2 pytorch onnx→tensorrt使用tensorrt加载并运行onnx模型0. TensorRT介绍1. 安装tensorrt、pycuda1.1 安装tensorrt1.2 安装pycuda2. 将pytorch模型转化为onnx模型3. tensorrt调用onnx模型进行预测4. 注意事项 0. TensorRT介绍 https://docs.nvidia.com/deeplearning/tensorrt/developer-gu
TensorRT-5.1.5.0 .Windows10版本.x86_64.平台cuda-10.0.cudnn7.5
03-17
TensorRT-5.1.5.0 .Windows10版本.x86_64.平台cuda-10.0.cudnn7.5
tensorflow-1.12支持cuda10.0
01-11
自编译tensorflow： 1.python3.5,tensorflow1.12; 2.支持cuda10.0,cudnn7.3.1,TensorRT-5.0.2.6-cuda10.0-cudnn7.3; 3.支持mkl,无MPI; 软硬件硬件环境：Ubuntu16.04,GeForce GTX 1080 配置信息： hp@dla:~/work/ts_compile/tensorflow$ ./configure WARNING: --batch mode is deprecated. Please instead explicitly shut down your Bazel server using the command "bazel shutdown". You have bazel 0.19.1 installed. Please specify the location of python. [Default is /usr/bin/python]: /usr/bin/python3 Found possible Python library paths: /usr/local/lib/python3.5/dist-packages /usr/lib/python3/dist-packages Please input the desired Python library path to use. Default is [/usr/local/lib/python3.5/dist-packages] Do you wish to build TensorFlow with XLA JIT support? [Y/n]: XLA JIT support will be enabled for TensorFlow. Do you wish to build TensorFlow with OpenCL SYCL support? [y/N]: No OpenCL SYCL support will be enabled for TensorFlow. Do you wish to build TensorFlow with ROCm support? [y/N]: No ROCm support will be enabled for TensorFlow. Do you wish to build TensorFlow with CUDA support? [y/N]: y CUDA support will be enabled for TensorFlow. Please specify the CUDA SDK version you want to use. [Leave empty to default to CUDA 10.0]: Please specify the location where CUDA 10.0 toolkit is installed. Refer to README.md for more details. [Default is /usr/local/cuda]: /usr/local/cuda-10.0 Please specify the cuDNN version you want to use. [Leave empty to default to cuDNN 7]: 7.3.1 Please specify the location where cuDNN 7 library is installed. Refer to README.md for more details. [Default is /usr/local/cuda-10.0]: Do you wish to build TensorFlow with TensorRT support? [y/N]: y TensorRT support will be enabled for TensorFlow. Please specify the location where TensorRT is installed. [Default is /usr/lib/x86_64-linux-gnu]:/home/hp/bin/TensorRT-5.0.2.6-cuda10.0-cudnn7.3/targets/x86_64-linux-gnu Please specify the locally installed NCCL version you want to use. [Default is to use https://github.com/nvidia/nccl]: Please specify a list of comma-separated Cuda compute capabilities you want to build with. You can find the compute capability of your device at: https://developer.nvidia.com/cuda-gpus. Please note that each additional compute capability significantly increases your build time and binary size. [Default is: 6.1,6.1,6.1]: Do you want to use clang as CUDA compiler? [y/N]: nvcc will be used as CUDA compiler. Please specify which gcc should be used by nvcc as the host compiler. [Default is /usr/bin/gcc]: Do you wish to build TensorFlow with MPI support? [y/N]: No MPI support will be enabled for TensorFlow. Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native -Wno-sign-compare]: Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: Not configuring the WORKSPACE for Android builds. Preconfigured Bazel build configs. You can use any of the below by adding "--config=" to your build command. See .bazelrc for more details. --config=mkl # Build with MKL support. --config=monolithic # Config for mostly static monolithic build. --config=gdr # Build with GDR support. --config=verbs # Build with libverbs support. --config=ngraph # Build with Intel nGraph support. --config=dynamic_kernels # (Experimental) Build kernels into separate shared objects. Preconfigured Bazel build configs to DISABLE default on features: --config=noaws # Disable AWS S3 filesystem support. --config=nogcp # Disable GCP support. --config=nohdfs # Disable HDFS support. --config=noignite # Disable Apacha Ignite support. --config=nokafka # Disable Apache Kafka support. --config=nonccl # Disable NVIDIA NCCL support. Configuration finished 编译： hp@dla:~/work/ts_compile/tensorflow$ bazel build --config=opt --config=mkl --verbose_failures //tensorflow/tools/pip_package:build_pip_package 卸载已有tensorflow： hp@dla:~/temp$ sudo pip3 uninstall tensorflow 安装自己编译的成果： hp@dla:~/temp$ sudo pip3 install tensorflow-1.12.0-cp35-cp35m-linux_x86_64.whl
详解Tensorflow不同版本要求与CUDA及CUDNN版本对应关系
09-16
主要介绍了详解Tensorflow不同版本要求与CUDA及CUDNN版本对应关系，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
cuda、cudnn和TensorRT的安装--Ubuntu18.04
Boys_Wu的博客
07-20 984
借鉴网址：https://blog.csdn.net/qq_32408773/article/details/84112166
深度学习环境配置CUDA、cuDNN、Tensorrt及Anaconda虚拟环境
m0_66380820的博客
06-28 3234
深度学习环境的配置主要包括了CUDA、cuDNN、Tensorrt，这3个主要是配置电脑的运行环境。跑深度学习框架（例如yolov5）还会需要创建虚拟环境，使用Anaconda配置。下面一一介绍配置。个人目前配置版本为CUDA11.6，cuDNN8.4.1.50，Tensorrt8.4.1.5。
Tensorflow不同版本要求与CUDA及CUDNN版本对应关系
热门推荐
LoveWeeknd
10-21 15万+
参考官网地址： Windows端：https://tensorflow.google.cn/install/source_windows CPU Version Python version Compiler Build tools tensorflow-1.11.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 ...
TensorRT(8):python版本安装，CUDA11.0，win10
weixin_45819759的博客
05-05 2270
在安装TensorRT前，首先需要安装CUDA、CUDNN等NVIDIA的基本库，如何安装，已经老生常谈了，这里不再过多描述。关于版本的选择，楼主这里：CUDA版本，楼主这里选择的是 cuda11.0 ，具体cuda版本见，可自行下载。CUDNN版本，选择 cudnn-11.0-windows-x64-v8.2.1.32，官网下载需要先注册账号，pycuda 选择 11.4。
评论
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