简介本文记录Ubuntu22.04长期支持版系统下的CUDA驱动和cuDNN神经网络加速库的安装，并安装PyTorch2.1.1来测试是否安装成功。安装Ubuntu系统如果是旧的不支持UEFI启动的主板，请参考本人博客U盘系统盘制作与系统安装（详细图解）如果是新的支持UEFI启动的主板，请参考本人博客UEFI下Windows10和Ubuntu22.04双系统安装图解安装CUDACUDA的安装方式有多种：deb在线、deb离线、run在线、run离线等等，具体可参见CUDA手册。本文采用deb离线方式，访问CUDA下载首页，根据操作系统、处理器等信息选择安装文件。选择完成后页面给出安装命令脚本，

目录1.环境准备1.1软件环境1.2源码下载2.CMake编译项目2.1创建cmake项目2.2设置编译配置2.3解决异常2.3.1文件下载异常2.3.2解决CUDA版本异常2.4编译项目3.VisualStudio编译项目4.项目测试5.总结 OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和MacOS操作系统上。项目源码由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 但在实际使用中，如果是对处理时间要求

目录1.环境准备1.1软件环境1.2源码下载2.CMake编译项目2.1创建cmake项目2.2设置编译配置2.3解决异常2.3.1文件下载异常2.3.2解决CUDA版本异常2.4编译项目3.VisualStudio编译项目4.项目测试5.总结 OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和MacOS操作系统上。项目源码由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 但在实际使用中，如果是对处理时间要求

编写代码有bug是很正常的，通过编写完备的单元测试，可以及时发现问题，并且在后续的代码改进中持续观测是否引入了新的bug。对于追求质量的程序员，为自己的代码编写全面的单元测试是必备的基础技能，在编写单元测试的时候也能复盘自己的代码设计，是提高代码质量极为有效的手段。　　在本系列前序的文章中已经介绍了CMake很多内容，本文是针对单元测试的外延。本系列更多精彩文章敬请关注公众号【很酷的程序员】的话题：CMake。　　本文主要介绍以下几个方面的内容：　　1、何为单元测试　　2、何为gtest　　3、怎么使用gtest　　4、怎么运行测试一单元测试是什么？　　单元测试（UnitTesting），一般

目录一、安装Nvidia Docker二、安装显卡驱动1、安装驱动2、检查显卡驱动版本3、查询驱动版本和显卡相关信息三、Dockerhub安装pytorch和对应版本cuda1、在Dockerhub中查询对应版本镜像​编辑2、查询pytorch/pytorch的镜像3、devel版本和runtime版本的区别4、拉取对应版本镜像5、查看拉取完成的镜像6、生成容器四、进入容器并查询相关信息1、进入容器2、打印环境变量3、查询本地安装的软件和程序4、显示NVIDIACUDA编译器（nvcc）的版本信息前期因为要安装东西需要cuda10+的环境，查了部分资料发现对这方面的介绍不是很详细，所以结合前期

二十、Ubuntu22.04+RTX2080配置显卡驱动+CUDA+cuDNN1.根据NVIDIA显卡型号，下载对应的显卡驱动2.根据显卡驱动，下载对应的CUDA3.根据CUDA版本，下载对应的cuDNN库1.根据NVIDIA显卡型号，下载对应的显卡驱动首先确定自己的显卡型号lspci|grep-ivga可以看到显卡型号是GeForceRTX2080然后去NVIDIA官网下载对应的显卡驱动显卡驱动下载地址然后把下载好的驱动程序放到一个英文文件夹（否则进入非图形化界面时可能中文乱码），例如我这里新建了一个driver安装所需依赖sudoapt-getupdatesudoapt-getinstal

前言（碎碎念）想当年在实验室就在自己电脑（双系统）和服务器上都搭建这个环境（Ubuntu18.04+conda+pycharm+cuda+cudnn完整流程）还写了操作文档，主要遇到了太多问题（比如NVIDIA驱动安装后黑屏问题，真是想用linux之父的话来说一句）现在再次遇到重装服务器这个事情，又遇到了一些新坑（好多东西变了）。这次就写在这里吧（碎碎念完结）一、CUDA版本选择（授予以鱼不如授人以渔）打开英伟达的cuda文档页面cuda文档页面点这里的ReleaseNotes(cudatoolkit页面)这里查看信息兼容性CUDA有最小支持的驱动版本的要求，高版本的CUDA不支持低版本的驱动

    最近训练模型跑代码需要用到nvidia的cuda架构加速，结果网上几乎找不到什么能直接解决问题的教程，最后东拼西凑了几个小时才搭建完成，所以想整理出这篇集百家之精华的教程，防止自己以后太久不用忘记了。    首先的先知道配置好这些环境需要准备好哪些东西：带有英伟达显卡的电脑（不是英伟达的也不会来找cuda吧，hh）gpu版的pytorch（pip直接下的都是cpu版的，所以用不了）适配显卡的cuda架构一、安装CUDA1、了解CUDA版本  桌面右键打开nvidia控制面板->点击左下角系统信息->点击组件，查看第三行产品名称，为自己电脑所能兼容的最高的cuda版本（如我的电脑最高能兼

使用CMake，启用RUNPATH特性，可以参考官方帖子。如下源码来自于上述帖子。CMAKE_MINIMUM_REQUIRED(VERSION2.8FATAL_ERROR)PROJECT(RUNPATHC)SET(CMAKE_VERBOSE_MAKEFILEON)SET(CMAKE_INSTALL_RPATH$ENV{HOME}/lib)FILE(WRITE${CMAKE_BINARY_DIR}/main.c"intmain(void){return0;}\n")ADD_EXECUTABLE(mainmain.c)INSTALL(TARGETSmainRUNTIMEDESTINATIONbin

使用CMake，启用RUNPATH特性，可以参考官方帖子。如下源码来自于上述帖子。CMAKE_MINIMUM_REQUIRED(VERSION2.8FATAL_ERROR)PROJECT(RUNPATHC)SET(CMAKE_VERBOSE_MAKEFILEON)SET(CMAKE_INSTALL_RPATH$ENV{HOME}/lib)FILE(WRITE${CMAKE_BINARY_DIR}/main.c"intmain(void){return0;}\n")ADD_EXECUTABLE(mainmain.c)INSTALL(TARGETSmainRUNTIMEDESTINATIONbin