【Jetson Nano開發環境配置 】

流程如下：

1. 安装sogo输入法
2. 安装ssh软件
3. 安装nvidia-smi
4. 配置CUDA
5. 安装nvidia-smi
6. 安装 python3-pip python3-dev
7. 安装conda
8. 安装pytorch
9. 安装tensorflow
   10.安装JDK
   11.安装Pycharm
10. 配置v2raya

输入法安装

使用Linux必备中文输入法搜狗输入法

https://pinyin.sogou.com/linux/

ssh软件安装

安装一个不开源的国产软件，Finalshell，使用安装脚本进行安装

rm -f finalshell_install_linux.sh ;wget www.hostbuf.com/downloads/finalshell_install_linux.sh;chmod +x finalshell_install_linux.sh;./finalshell_install_linux.sh

安装过程很顺利，但是不知道什么原因打不开，更换Putty

apt-get install putty

Putty的复制粘贴使用鼠标中建

nvidia-smi

Jetson Nano查看CPU\GPU\内存使用率
jetson nano 虽然是ubuntu系统，但不能使用nvidia -smi来查看CPU和GPU的使用情况
总结解决办法：

1.jetson-stats状态查看器
相关链接： http://www.gpus.cn/gpus_list_page_techno_support_content?id=102

安装命令：
命令：sudo -H pip3 install jetson-stats
更新版本
命令：sudo -H pip3 install -U jetson-states
jtop实时查看和控制JetsonNano的状态，如CPU、RAM、GPU的状态等
命令：sudo jtop
jetson-releas
NVIDIA Jetson所有信息,包括jetsonNano的硬件型号、jetpack的版本、CUDA、openCV、TensorRT版本等
2.top命令
实时显示 process 的动态

3.free命令
free -m
free -h
free
都是用来查看内存的
相关参数：
total: 内存总数
used: 已经使用内存数
free: 完全空闲内存
shared: 多个进程共享的内存
buffers: 用于块设备数据缓冲，记录文件系统metadata（目录，权限，属性等)
cached: 用于文件内容的缓冲
available：真正剩余的可被程序应用的内存数

配置CUDA

目前并不知道驱动的下载地址，NVIDIA系统已经安装好了JetPack，cuda，cudaa，OpenCV等组件，不过需要修改下环境变量才可以使用

利用vim打开 ~ 路径下.bashrc文件：

sudo vim ~./bashrc

文件的最后添加以下三行：

export PATH=/usr/local/cuda-10.0/bin:$PATHexportL{D}_{L}IBRAR{Y}_{P}ATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-10.0

输入nvcc -V命令进行测试，如果显示如下信息，证明修改正确。
官方镜像安装的系统中自带了一些案例，利用已有的案例进行测试。

cd /usr/src/cudnn_samples_v7/mnistCUDNN
sudo make
sudo chmod a+x mnistCUDNN
./mnistCUDNN

如果报错atal error: FreeImage.h

sudo apt-get install libfreeimage3 libfreeimage-dev

安装pip

如果发现报不能导入’main’错误，

dnano@dnano-desktop:~$ sudo pip3 install sklearn
Traceback (most recent call last):
File “/usr/bin/pip3”, line 9, in
from pip import main
ImportError: cannot import name ‘main’

打开路径 "/usr/bin/"下的pip3文件，
将内容

from pip import main
if name == ‘main’:
sys.exit(main())

修改为：

from pip import main
if name == ‘main’:
sys.exit(main._main())

安装conda

index of miniconda
搜索 aarch64 并下载

bash Miniconda-latest-Linux-armv7l.sh

安装完成自动添加环境变量进.bashrc

sudo nano /home/pi/.bashrc # -> add: export PATH="/home/pi/miniconda3/bin:$PATH"

运行Ctrl + x

安装Pytorch

下载地址
地址1
地址2
地址3
下载以后，执行以下命令安装：

sudo apt-get install python3-pip libopenblas-base libopenmpi-dev
pip3 install Cython
pip3 install numpy
pip3 install numpy torch-1.7.0-cp36-cp36m-linux_aarch64.whl

安装tensorflow

4.安装GPU版tensorflow
（1）安装一些依赖

sudo apt-get install libhdf5-serial-dev hdf5-tools

（2）安装GPU版本的tensorflow

pip3 install --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v42 tensorflow-gpu==1.13.1+nv19.3 --user

（3）tensorflow测试
找些测试代码即可，这里用gpu计算常数加法的小例子进行测试。

import tensorflow as tf
with tf.device(’/cpu:0’):
a = tf.constant([1.0,2.0,3.0],shape=[3],name=‘a’)
b = tf.constant([1.0,2.0,3.0],shape=[3],name=‘b’)
with tf.device(’/gpu:1’):
c = a+b
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run©)

5.安装机器学习常用的python库

sudo apt-get install python3-numpy
sudo apt-get install python3-scipy
sudo apt-get install python3-pandas
sudo apt-get install python3-matplotlib
sudo apt-get install python3-sklear

安装JDK

下载地址 需要登录甲骨文帐号
选Java (JDK) for Developers-》JDK Download 网上建议下载8或者11版本，最新的15好像不兼容
解压，不需要安装，直接配置环境变量

	   export JAVA_HOME=/usr/lib/jdk
       export JRE_HOME=${JAVA_HOME}/jre
       export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
       export PATH=.:${JAVA_HOME}/bin:$PATH

java -version测试通过，但是解压后文件夹里并没有看到jre文件
这一步还没有执行， sudo apt-get install default-jdk 安装一些文件

安装pycharm

从官网下载pycharm的安装包–选择linux版本
解压后进入bin目录
sh ./pycharm.sh 进入图形化安界面，安装完成后也是这么打开。