硬件信息
cpu Intel(R) Core(TM) i7-10700 CPU @ 2.90GHz
显卡 GeForce RTX 3090
网卡 Ethernet Connection (17) I219-V
内存 62GiB System memory
----------------------------------------------------------------------------------
换源
sudo gedit /etc/apt/sources.list
deb http://mirrors.aliyun.com/ubuntu/ trusty main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ trusty-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ trusty-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ trusty-proposed main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ trusty-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ trusty main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ trusty-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ trusty-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ trusty-proposed main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ trusty-backports main restricted universe multiverse
sudo apt-get update
----------------------------------------------------------------------------------
安装谷歌chrome
wget https://dl.google.com/linux/direct/google-chrome-stable_current_amd64.deb
sudo dpkg -i google-chrome-stable_current_amd64.deb
----------------------------------------------------------------------------------
2 TP Link TL-WDN5200无线网卡驱动 （放弃） （可能会用到）
----------------------------------------------------------------------------------
----------------------------------------------------------------------------------
3 有线网卡驱动安装
先执行命令lspci | grep -i net ,查到有线网卡版本
我的是inter Corporation Device 15bc
这款网卡内核从4.12版本开始支持。你当前系统的内核版本用 uname -r查看。ubuntu 18.04，内核4.15就能直接支持了
下载驱动：https://downloadcenter.intel.com/download/15817
自己选择一个版本的下载就行
解压：tar -zxvf e1000e-3.4.2.1.tar.gz
安装：cd e1000e-3.4.2.1/src
make install(不行的话就用sudo make install试试)
modprobe e1000e(不行同上加sudo执行)
----------------------------------------------------------------------------------
----------------------------------------------------------------------------------
Ubuntu安装和卸载CUDA和CUDNN https://blog.csdn.net/qq_33200967/article/details/80689543
----------------------------------------------------------------------------------
----------------------------------------------------------------------------------
4 安装显卡驱动
禁用nouveau驱动
sudo gedit /etc/modprobe.d/blacklist.conf
在文本最后添加：
blacklist nouveau
options nouveau modeset=0
然后执行：
sudo update-initramfs -u
reboot重启后，执行以下命令，如果没有屏幕输出，说明禁用nouveau成功：
lsmod | grep nouveau
下载驱动
官网下载地址：https://www.nvidia.cn/Download/index.aspx?lang=cn ，根据自己显卡的情况下载对应版本的显卡驱动
下载完成之后会得到一个安装包，不同版本文件名可能不一样：
NVIDIA-Linux-x86_64-455.23.04.run
卸载旧驱动
以下操作都需要在命令界面操作，执行以下快捷键进入命令界面，并登录：
Ctrl-Alt+F1
执行以下命令禁用X-Window服务，否则无法安装显卡驱动：
sudo service lightdm stop
执行以下三条命令卸载原有显卡驱动：
sudo apt-get remove --purge nvidia*
sudo chmod +x NVIDIA-Linux-x86_64-410.93.run
sudo ./NVIDIA-Linux-x86_64-410.93.run --uninstall
安装新驱动
直接执行驱动文件即可安装新驱动，一直默认即可：
sudo ./NVIDIA-Linux-x86_64-410.93.run
执行以下命令启动X-Window服务
sudo service lightdm start
最后执行重启命令，重启系统即可：
reboot
注意： 如果系统重启之后出现重复登录的情况，多数情况下都是安装了错误版本的显卡驱动。需要下载对应本身机器安装的显卡版本。
----------------------------------------------------------------------------------
----------------------------------------------------------------------------------
5 卸载CUDA （可能会用到）
----------------------------------------------------------------------------------
----------------------------------------------------------------------------------
6 安装CUDA
安装的CUDA和CUDNN版本：
CUDA 11.1
CUDNN 8.04
接下来的安装步骤都是在root用户下操作的。
下载和安装CUDA
我们可以在官网：CUDA10下载页面
下载符合自己系统版本的CUDA。页面如下：
Installation Instructions:
sudo sh cuda_11.1.1_455.32.00_linux.run
开始安装之后，需要阅读说明，可以使用Ctrl + C直接阅读完成，或者使用空格键慢慢阅读。然后进行配置，我这里说明一下：
如果是cuda installer
[x]表示选中 []表示没选 driver前面 选择取消
在install回车
（是否同意条款，必须同意才能继续安装）
accept/decline/quit: accept
（这里不要安装驱动，因为已经安装最新的驱动了，否则可能会安装旧版本的显卡驱动，导致重复登录的情况）
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48?
(y)es/(n)o/(q)uit: n
Install the CUDA 10.0 Toolkit?（是否安装CUDA 10 ，这里必须要安装）
(y)es/(n)o/(q)uit: y
Enter Toolkit Location（安装路径，使用默认，直接回车就行）
[ default is /usr/local/cuda-10.0 ]:
Do you want to install a symbolic link at /usr/local/cuda?（同意创建软链接）
(y)es/(n)o/(q)uit: y
Install the CUDA 10.0 Samples?（不用安装测试，本身就有了）
(y)es/(n)o/(q)uit: n
Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...（开始安装）
安装完成之后，可以配置他们的环境变量，在vim ~/.bashrc的最后加上以下配置信息：
export CUDA_HOME=/usr/local/cuda-11.1
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}
最后使用命令source ~/.bashrc使它生效。
可以使用命令nvcc -V查看安装的版本信息：
test@test:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sat_Aug_25_21:08:01_CDT_2018
Cuda compilation tools, release 10.0, V10.0.130
测试安装是否成功
执行以下几条命令：
cd /usr/local/cuda-11.1/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery
正常情况下输出：
./deviceQuery Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "GeForce RTX 2070"
CUDA Driver Version / Runtime Version 10.0 / 10.0
CUDA Capability Major/Minor version number: 7.5
Total amount of global memory: 7950 MBytes (8335982592 bytes)
(36) Multiprocessors, ( 64) CUDA Cores/MP: 2304 CUDA Cores
GPU Max Clock rate: 1620 MHz (1.62 GHz)
Memory Clock rate: 7001 Mhz
Memory Bus Width: 256-bit
L2 Cache Size: 4194304 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
Maximum Layered 1D Texture Size, (num) layers 1D=(32768), 2048 layers
Maximum Layered 2D Texture Size, (num) layers 2D=(32768, 32768), 2048 layers
Total amount of constant memory: 65536 bytes
Total amount of shared memory per block: 49152 bytes
Total number of registers available per block: 65536
Warp size: 32
Maximum number of threads per multiprocessor: 1024
Maximum number of threads per block: 1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch: 2147483647 bytes
Texture alignment: 512 bytes
Concurrent copy and kernel execution: Yes with 3 copy engine(s)
Run time limit on kernels: Yes
Integrated GPU sharing Host Memory: No
Support host page-locked memory mapping: Yes
Alignment requirement for Surfaces: Yes
Device has ECC support: Disabled
Device supports Unified Addressing (UVA): Yes
Device supports Compute Preemption: Yes
Supports Cooperative Kernel Launch: Yes
Supports MultiDevice Co-op Kernel Launch: Yes
Device PCI Domain ID / Bus ID / location ID: 0 / 1 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.0, CUDA Runtime Version = 10.0, NumDevs = 1
Result = PASS
----------------------------------------------------------------------------------
----------------------------------------------------------------------------------
7 安装cudnn
下载和安装CUDNN进入到CUDNN的下载官网：https://developer.nvidia.com/rdp/cudnn-download ，然点击Download开始选择下载版本，当然在下载之前还有登录，选择版本界面如下，我们选择cuDNN Library for Linux：
在这里插入图片描述
Download cuDNN v8.0.4 (September 28th, 2020), for CUDA 11.1
cuDNN Runtime Library for Ubuntu16.04 x86_64 (Deb)
cuDNN Library for Linux (x86_64)
下载之后是一个压缩包，如下：
cudnn-10.0-linux-x64-v7.4.2.24.tgz
然后对它进行解压，命令如下：
tar -zxvf cudnn-11.1-linux-x64-v8.0.4.30.tgz
解压之后可以得到以下文件：
cuda/include/cudnn.h
cuda/NVIDIA_SLA_cuDNN_Support.txt
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.7
cuda/lib64/libcudnn.so.7.4.2
cuda/lib64/libcudnn_static.a
使用以下两条命令复制这些文件到CUDA目录下：
sudo cp cuda/lib64/* /usr/local/cuda-11.1/lib64/
sudo cp cuda/include/* /usr/local/cuda-11.1/include/
拷贝完成之后，可以使用以下命令查看CUDNN的版本信息：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
测试安装结果
-------------------------------------------------------------------------------------
8 安装pytorch
------------------------------------------------------------
升级python 3.5到3.7.3
参考 https://blog.csdn.net/tao_627/article/details/90901830
安装依赖库
sudo apt-get install zlib1g-dev libbz2-dev libssl-dev libncurses5-dev libsqlite3-dev libreadline-dev tk-dev libgdbm-dev libdb-dev libpcap-dev xz-utils libexpat1-dev
sudo apt-get install liblzma-dev libffi-dev libc6-dev
从python官网下载
https://www.python.org/downloads/release/python-373/
wget 'https://www.python.org/ftp/python/3.7.3/Python-3.7.3.tgz'
迅雷下载比较快
tar zxvf Python-3.7.3.tgz
cd Python-3.7.3
sudo mkdir -p /usr/local/python3
./configure --prefix=/usr/local/python3 --enable-optimizations
make
sudo make install
删除软链接
先执行查看版本，如果有则证明软链接已存在，需要先删去以前的再重新建立
sudo rm -rf /usr/bin/python3
sudo rm -rf /usr/bin/pip3
建立新的软连接
#添加python3的软链接
sudo ln -s /usr/local/python3/bin/python3.7 /usr/bin/python3
#添加 pip3 的软链接
sudo ln -s /usr/local/python3/bin/pip3.7 /usr/bin/pip3
检测版本
python3 -V
pip3-V
------------------------------------------------------------
-----------------------------------------------------------------------------------------
9 python3 装 anaconda3
参考https://blog.csdn.net/ITBigGod/article/details/85690257/
下载https://repo.anaconda.com/archive/
Anaconda3-2020.07-Linux-x86_64.sh 550.1M 2020-07-23 12:16:50 1046c40a314ab2531e4c099741530ada
进入安装包Anaconda3-2018.12-Linux-x86_64.sh所在目录，打开终端
执行：bash Anaconda3-2018.12-Linux-x86_64.sh
之后就提示你要将Anaconda安装在目录/home/xxx/anaconda3下面：（建议使用此目录）。
（如下二选一：）
直接按回车键表示使用默认目录：
等待安装完之后，会询问是否把anaconda的bin添加到用户的环境变量中？输入yes。
这样就会安装好anaconda了，不需要重启的！～～
检查是否安装成功：
python3出现介绍了python的版本信息，而且后面带了anaconda的标识，这就说明Anaconda安装成功了，此时输入exit()退出python环境。
其次：输入 conda --version 之后输出conda 4.5.12 之类的版本信息，就说明环境变量设置成功了。
还有就是，在没有安装anaconda之前，我们输入：which python
查看python的原生默认安装路径为：
/usr/bin/python
而安装了anaconda之后，再次输入：which python
会改变为：/home/xxy/anaconda3/bin/python
---------
conda的配置文件config
如果用户从来没有使用过conda config 命令，就不会有配置文件，当用户第一次运行 conda config命令时，将会在用户的家目录创建该文件，即一个名为.condarc的文本文件，
一般表示 conda 应用程序的配置文件，在用户的家目录之下：
windows：C:\users\username\.condarc
inux：/home/username/.condarc）
注意：condarc配置文件，是一种可选的（optional）运行期配置文件，其默认情况下是不存在的，但当用户第一次运行 conda config命令时，才会在用户的家目录创建该文件。我可以通过conda config 命令来配置该文件，也完全可以自己手动编辑也可以。
1. 2 换国内源
（1）查看源：conda config --show-sources
==> C:\Users\wh19012\.condarc <==
channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
- defaults
show_channel_urls: True
我这里有两个源，一个我添加的清华的源，一个是default默认的，即anaconda自己的源
（2）添加清华源：conda config --add channels
#添加清华的源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes
（3）是否显示channel的来源：conda config --set show_channel_urls yes/no
如果是：conda config --set show_channel_urls yes 则配置文件中为 show_channel_urls: True
这表示在使用conda search package或者是conda install package的时候会显示这个包是来自于哪一个镜像源
当然我也可以不显示，则为：conda config --set show_channel_urls no 则配置文件中为 show_channel_urls: False
1.3 国内其它的一些源
Conda Forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
msys2
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
bioconda
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
menpo
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
pytorch
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
此外，还有中国科学技术大学、阿里云、豆瓣也有相关的源，但是个人感觉清华的这个最好用。
1.4 移除源：conda config --remove channels
conda config --remove channels 'https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/'
1.5 如果不想配置源怎么办呢？
如不过想添加配置文件，也可以这么做，这和使用pip安装是一样的：
conda install -c 镜像源地址 package
conda install --channel 镜像源地址 package
当然还是推荐使用配置文件，这样就可以一直使用，而且不用那么长的命令，更方便
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/linux-64/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
清华大学开源软件镜像站
channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
ssl_verify: true
上海交通大学开源镜像站
channels:
- https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/main/
- https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/free/
- https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud/conda-forge/
ssl_verify: true
中国科学技术大学 USTC Mirror
channels:
- https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
- https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
- https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
ssl_verify: true
10 安装 pytorch
conda install pytorch torchvision cudatoolkit=11 -c pytorch-nightly
--------------------------------------------------------------------------
-------------------------------------------------------------------------------------
然后使用以下的程序测试安装情况：
-------------------------
神经网络测试
----
import torch
import torch.nn as nn
import numpy as np
# 构建输入集
x = np.mat('0 0;'
'0 1;'
'1 0;'
'1 1')
x = torch.tensor(x).float()
y = np.mat('1;'
'0;'
'0;'
'1')
y = torch.tensor(y).float()
# 搭建网络
myNet = nn.Sequential(
nn.Linear(2, 10),
nn.ReLU(),
nn.Linear(10, 1),
nn.Sigmoid()
)
print(myNet)
# 设置优化器
optimzer = torch.optim.SGD(myNet.parameters(), lr=0.05)
loss_func = nn.MSELoss()
for epoch in range(5000):
out = myNet(x)
loss = loss_func(out, y) # 计算误差
optimzer.zero_grad() # 清除梯度
loss.backward()
optimzer.step()
print(myNet(x).data)
---
输出
Sequential(
(0): Linear(in_features=2, out_features=10, bias=True)
(1): ReLU()
(2): Linear(in_features=10, out_features=1, bias=True)
(3): Sigmoid()
)
tensor([[0.9526],
[0.0540],
[0.0560],
[0.9496]])
-----------
查看pytorch使用GPU
-----
import torch
a = torch.cuda.is_available()
print(a)
ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print(device)
print(torch.cuda.get_device_name(0))
print(torch.rand(3,3).cuda())
-------
True
cuda:0
GeForce RTX 3090
tensor([[0.2769, 0.3141, 0.3691],
[0.3561, 0.5787, 0.7292],
[0.1115, 0.4354, 0.0312]], device='cuda:0')
---------
--------------------------------------------------------------------------------------
可能有用：
-----------------------------------------------------------------------------
2 TP Link TL-WDN5200无线网卡驱动 （放弃）
一版本
sudo apt update
sudo apt install build-essential git dkms
git clone https://github.com/brektrou/rtl8821CU.git
cd rtl8821CU
chmod +x dkms-install.sh
sudo ./dkms-install.sh
sudo modprobe 8821cu
reboot
二版本
具体步骤：
1、下载驱动
git clone https://github.com/whitebatman2/rtl8821CU.git
2、安装驱动
cd ./rtl8821CU
make
sudo make install
3、查看网卡
lsusb
得到的结果里应该有0bda：1a2b
继续执行
sudo usb_modeswitch -KW -v 0bda -p 1a2b
4、终端输出一大段文字后，结束。。。重启进入Ubuntu即可
三版本
git clone https://github.com/Mange/rtl8192eu-linux-driver
make
sudo make install
------------------------------------------------------------------------------------
-----------------------------------------------------------------------------------------
卸载CUDA
为什么一开始我就要卸载CUDA呢，这是因为笔者是换了显卡RTX2070，原本就安装了CUDA 8.0 和 CUDNN 7.0.5不能够正常使用，笔者需要安装CUDA 10.0 和 CUDNN 7.4.2，所以要先卸载原来的CUDA。注意以下的命令都是在root用户下操作的。
卸载CUDA很简单，一条命令就可以了，主要执行的是CUDA自带的卸载脚本，读者要根据自己的cuda版本找到卸载脚本：
sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl
卸载之后，还有一些残留的文件夹，之前安装的是CUDA 8.0。可以一并删除：
sudo rm -rf /usr/local/cuda-8.0/
这样就算卸载完了CUDA。
---------------------------------------------------------------------------------------------------
16.04 python-pip安装失败（可能用到）
换中科大源
sudo gedit /etc/apt/sources.list
http://mirrors.ustc.edu.cn/ubuntu/ xenial main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-security main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-updates main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-proposed main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-backports main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-security main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-updates main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-proposed main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-backports main restricted universe multiverse
-----------------------------------------------------------------------------------------------------------------------------------
3090 python cuda11.1 pip 安装pytorch （失败）
-------------
pytorch
https://pytorch.org/get-started/locally/#mac-anaconda
pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html
16.04 python-pip安装失败（可能用到）
pip install numpy==1.16.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
#python3 安装 pytorch
#sudo apt install python3-pip
pip3 install numpy==1.14.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
到这里就已经完成了CUDA 10 和 CUDNN 7.4.2 的安装。可以安装对应的Pytorch的GPU版本测试是否可以正常使用了。
wget http://cdn.npm.taobao.org/dist/python/3.7.3/Python-3.7.3.tgz
File "/usr/local/python3/lib/python3.7/subprocess.py", line 487, in run
output=stdout, stderr=stderr)
subprocess.CalledProcessError: Command '('lsb_release', '-a')' returned non-zero exit status 1
参考https://www.choudalao.com/article/100
sudo find / -name 'lsb_release.py'
sudo cp /usr/lib/python3/dist-packages/lsb_release.py /usr/local/python3/lib/python3.7/
pip3 install numpy --user -i https://pypi.tuna.tsinghua.edu.cn/simple
sudo pip3 install --pre torch torchvision torchaudio -f https://download.pytorch.org/whl/nightly/cu110/torch_nightly.html -i https://pypi.tuna.tsinghua.edu.cn/simple
/usr/local/python3/lib/python3.7/site-packages/torch/cuda/__init__.py:104: UserWarning:
GeForce RTX 3090 with CUDA capability sm_86 is not compatible with the current PyTorch installation.
The current PyTorch install supports CUDA capabilities sm_37 sm_50 sm_60 sm_70 sm_75.
If you want to use the GeForce RTX 3090 GPU with PyTorch, please check the instructions at https://pytorch.org/get-started/locally/
warnings.warn(incompatible_device_warn.format(device_name, capability, " ".join(arch_list), device_name))
-------------
失败原因
参考 https://blog.csdn.net/absxyz19931021/article/details/109228214
RTX30系显卡采用sm_86只有cuda11.1才支持，然而深度学习的pytorch和TensorFlow包括mxnet官方版本只支持到cuda10.2
难道出了新版本前新买的显卡就此吃灰？
不要急还是有办法的
去TensorFlow和pytorch的GitHub的issue里有人反映这个问题（并没有很多人，所以官方没多重视）
方法一：自行编译（适合大神，反正我是不会）
方法二：TensorFlow的解决方法是安装nightly版本2.4.0（实际上已经有2.5.0了但是没找到），如何pip安装whl并不教学
pip安装这个whl后出现有几个dll找不到（没错是cuda11.0不是11.1的，说明此版本还是不支持11.1,但可凑或用）需要自行安装别的版本cudaorcudnn补齐，还是挺麻烦的，所以我用pytorch
pytorch提供了nightly版本1.8.0和torchvison0.8.0虽然也是支持11.0而不是11.1，但已经不会报没有gpu的错了
同样是pip安装whl（官网上没有，去GitHub找）
虽然解放不了rtx的全部战力还是可以凑合用下的
有找不到whl文件的可以找我要，但是我不保证能第一时间看到您的评论
-----------------------------------------------------------------------------------------------------------------------------------------------------
328
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
