nouveau是一个第三方开源的Nvidia驱动，一般Linux安装的时候默认会安装这个驱动。 这个驱动会与Nvidia官方的驱动冲突，在安装Nvidia驱动和CUDA之前应先禁用nouveau。
可能想玩Linux系统的童鞋，往往死在安装NVIDIA显卡驱动上，所以这篇文章帮助大家以正常的方式安装NVIDIA驱动。
如果返回结果是 True，则说明环境已经搭建好；如果返回是 False，则说明环境还有问题。如果上述安装都没有问题，那么可能和笔者一样，是 Manjaro 当前启用了开源的 Nouveau 显卡驱动，需要将其禁用，然后再安装最新的 Nvidia 闭源驱动（详见下文）。
从https://developer.nvidia.com/cuda-downloads，下载 cuda_9.1.85_387.26_linux.run文件
本文标题：《 Ubuntu 16.04 下安装 NVIDIA GTX 970 显卡驱动 》
前言 之前写过cuda环境的搭建文章, 这次干脆补全整个深度学习环境的搭建. ---- 开发环境一览 CPU: Intel core i7 4700MQ GPU: NVIDIA GT 750M
该文介绍了在Ubuntu 16.04系统中，安装NVIDIA GTX965M显卡驱动的方法，通过PPA源安装，禁用nouveau驱动，并更新内核，即可成功安装。安装完成后，重启系统，登录死机现象消失，系统运行正常。
禁用BIOS的secure boot，即disable它，如果不关闭，使用第三方源安装显卡驱动会安装后不能使用。
深度学习大火，为了赶上AI的班车，许多研究生本科生们都在搞深度学习。然而深度学习环境搭建必不可少，这篇文章是我多次为实验室搭建环境所积累起来的经验总结，希望所有看到这篇文章的同志们，可以顺利解决环境搭建的问题。
在非图形界面的Ubuntu server20.04的GPU服务器上配置环境，包括Nvidia驱动，cuda，cuDNN的安装，Anaconda的安装和开发环境创建。最好的参考文档是各软件的官方文档。
安装完毕后跳出一个界面，选择lightdm，再sudo service lightdm stop。
Persist in sharing and promote mutual progress
CPU：Intel Xeon E5-2699 v4 显卡：Nvidia Tesla P100 操作系统：CentOS 7.4
ubunt版本：16.04 笔记本：机械革命，i7-6700，gtx965m（集显Intel Hm170 ） 安装NVIDIA以及cuda来测试深度学习
本来想了解一下X-Window，所以打算去tt1,结果ctrl+alt+f1出现的居然是图形界面，搜了一下是显卡驱动版本的问题，此时我用的是Xorg开源驱动，于是根据教程，准备安装一个最新版的NVIDIA驱动，然后噩梦就开始了QWQ 先回顾一下我的过程：
sudo gedit /etc/modprobe.d/blacklist.conf
目录 前言 老黄和他的核弹们 开发环境一览 显卡驱动安装 下载驱动 禁用nouveau 安装驱动 安装CUDA8.0 参考 最后 ---- 前言 在Linux下安装驱动真的不是一件简单的事情,
a、在/etc/modprobe.d中创建文件blacklist-nouveau.conf
我的cuda版本是9.0，cudnn版本是7.1.2，tensorflow-gpu版本是1.9.0。
作者 | fendouai 编辑 | 磐石 出品 | 磐创AI技术团队 【磐创AI导读】：本文详细介绍了tensorflow-gpu在Ubuntu下的安装步骤。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。 硬件环境：NVIDIA GTX 980 Ti 系统环境：Ubuntu 16.04 64位 一.安装 NVIDIA驱动 1. 关闭 Secure Boot 具体如何禁用 BIOS 中的 Secure Boot 要根据主板的情况。 以华硕主板的禁用方法为例： 首先进入 BIOS，然后选择 Boot ，
分享在Ubuntu 14.04下CUDA8.0 + cuDNN v5 + Caffe 安装配置过程。
Linux的版本在官网上找合适版本的软件包，然后右键复制链接地址，通过wget命令下载。 官网：https://repo.anaconda.com/archive/
GPU：Geforce GTX1060 驱动版本：418.56 最开始打算装CUDA_10.1( nvidia与cuda需相匹配)，但是在运行cuda.run后出现的用户许可证信息有问题，如图
本人最近开始尝试将Ubuntu作为日用操作系统，以便熟悉Linux有关操作习惯。但是本人的设备为双显卡笔记本设备，在系统刚刚安装好的时候，界面并非是多么流畅，后查看系统信息发现独显并没有成功驱动。在经历一天的摸索后终于将独显驱动安装成功并且切换到独显模式。
在安装驱动程序的过程中，会因为缺少gcc、g++、make等development tool而报错导致无法完成驱动程序安装（ERROR：Ubable to find the development tool 'make' in your path...），不用担心，手动安装这些开发包后再次执行安装指令即可。另外，安装过程中出现的弹框根据默认选项选择即可。手动安装development tool指令为:
话接上篇《AIGC | Ubuntu24.04桌面版安装后必要配置》文章，作为作者进行机器学习的基础篇（筑基期），后续将主要介绍机器学习环境之如何在Ubuntu24.04桌面系统中进行NVIDIA显卡驱动安装，CUDA Toolkit安装，以及cuDNN的安装，以作者实践经历帮助读者快速搭建机器学习环境。
之后，按照提示安装，成功后重启即可。 如果提示安装失败，不要着急重启；可重复上述步骤，多试几次。
/etc/sysconfig/network-scripts/ifcfg-eth0的配置文件中，ONBOOT=yes必须设置，这样可以保证系统重启时进行ssh连接时，网络服务也会自启动，否则会导致网络不通。
【今日导读】想做点云深度学习？先把环境配置好吧。本期为初学者带来环境配置指南，有需求的同学赶快上手吧。配置为：
在安装之前首先就是要禁用Nouveau的驱动，禁用该驱动的方法参照这篇https://www.linuxidc.com/Linux/2019-02/157171.htm。
修正：Ubuntu 18.04+RTX2080Ti建议安装cuda10.0，cudnn7.5.1，pytorch1.4.0+cu100 / torchvision0.5.0+cu100，tensorflow-gpu1.14.0 修正日期：20200611
本篇概览 自己有一台2015年的联想笔记本，显卡是GTX950M，已安装ubuntu 16.04 LTS桌面版，为了使用其GPU完成deeplearning4j的训练工作，自己动手安装了CUDA和cuDNN，在此将整个过程记录下来，以备将来参考，整个安装过程分为以下几步： 准备工作 安装Nvidia驱动 安装CUDA 安装cuDNN 特别问题说明 按照一般步骤，在安装完Nvidia显卡驱动后，会提示对应的CUDA版本，接下来按照提示的版本安装CUDA，例如我这里提示的是11.2，正常情况下，我应该安装11.
心血来潮，在笔记本安装了Ubuntu 18 用于日常学习，于是有了下面的安装记录。
该文介绍了在Ubuntu 16.04环境下安装NVIDIA GPU显卡驱动、CUDA 8.0以及PyTorch的方法。首先，需要更新系统并安装NVIDIA驱动，然后下载CUDA 8.0，接着安装PyTorch。安装完成后，可以通过在终端中输入 'import torch' 来验证安装是否成功。最后，更新numpy并验证GPU是否可用。
我们在linux中安装驱动，有时会遇到受限或冲突，通常解决方式都是要修改blacklist.conf, 那么如何认识和深入了解它呢？下面就解读下 一、blacklist黑名单 对内核模块来说，黑名单是指禁止某个模块装入的机制
本篇文章是基于安装CUDA 9.0的经验写，CUDA9.0目前支持Ubuntu16.04和Ubuntu17.04两个版本，如下图所示（最下面的安装方式我们选择第一个，即runfile方式）：
长期以来，我一直是在 Ubuntu 系统上做开发。近一年来，由于为信创系统（统信 UOS、银河麒麟等）开发应用软件，免不了使用国产操作系统。使用下来，发现国产系统在易用性、稳定性方面已经相当不错，而且用户界面比起 Ubuntu 还美观很多。系统集成的应用商店，里面的应用非常全面，基本上满足了作为系统开发的需求。
参考很多文章，以这篇为主：http://www.linuxidc.com/Linux/2016-11/136768.htm
最近弄了一台带 GT 710 显卡的杜甫，便想着可以利用 Nvenc 显卡硬件编码来驱动 Jellyfin 在线转码云播。不过折腾的过程中遇到了不少问题，在此梳理一番正确的安装流程，以便来日查询参考。
近年来，Pytorch深度学习框架由于其构建网络结构简单、入门门槛较低，越来越受到深度学习开发者的青睐，它与TensorFlow不同在于Pytorch是一个动态的框架，不需要一开始就定好了网络的架构，在运行期间可以边调试边修改，而TensorFlow则反之，这样带来的好处是开发者不需要一开始明确所构建网络的结构，可以慢慢学习找到更合适的结构，就好比在建筑工地的实地考察的工程师，工人们每搭一堵墙都会过来询问下一步要做什么，而TensorFlow就好比在办公室画图纸的建筑师，在施工之前就设计好整栋大楼的结构，而且设计时候也不会有人打扰，当然效率就比Pytorch要高了。
最近在学习PaddlePaddle在各个显卡驱动版本的安装和使用，所以同时也学习如何在Ubuntu安装和卸载CUDA和CUDNN，在学习过程中，顺便记录学习过程。在供大家学习的同时，也在加强自己的记忆。本文章以卸载CUDA 8.0 和 CUDNN 7.05 为例，以安装CUDA 10.0 和 CUDNN 7.4.2 为例。
历时一周终于在 ubuntu16.04 系统成功安装 caffe 并编译，网上有很多教程，但是某些步骤并没有讲解详尽，导致配置过程总是出现各种各样匪夷所思的问题，尤其对于新手而言更是欲哭无泪，在我饱受折磨后决定把安装步骤记录下来，尽量详尽清楚明白，避免后来小白重蹈覆辙。
今年6月份清华大学发布了ChatGLM2，相比前一版本推理速度提升42%。最近，终于有时间部署测试看看了，部署过程中遇到了一些坑，也查了很多博文终于完成了。本文详细整理了ChatGLM2-6B的部署过程，同时也记录了该过程中遇到的一些坑和心得，希望能帮助大家快速部署测试。另外：作者已经把模型以及安装依赖全部整理好了，获取方式直接回复：「chatglm2-6b」
最近终于在我的飞行堡垒上装成功了ubuntu18.04了，哎，不容易哈，大一刚接触linux的时候，我就想给电脑装ubuntu，脱坑windows，但是每次装系统的时候都会卡在ubuntu的logo那里，无奈的一批，谷歌了很多，试了很多方法都失败了。 然后昨天无意中看到一篇关于ubuntu N卡驱动导致ubuntu安装失败的解决方法的文章。
注意这一步中安装的 cuda toolkit 和 cudnn 版本必须要与上面安装的显卡驱动版本一致。
上周末，智谱AI在2023中国计算机大会（CNCC）上推出了全自研的第三代基座大模型ChatGLM3，在各个任务上相比ChatGLM2都有了很大的提升。今天终于下载了模型部署测试，实际效果确实要比ChatGLM2要好。
CUDA / Compute Unified Device Architecture / CUDA Toolkit / 工具包
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
