目录Win11+RTX3060配置CUDA等深度学习环境1.下载前的准备工作2.下载Anaconda3.下载cuda4.下载cudnn5.小结Win11+RTX3060配置CUDA等深度学习环境1.下载前的准备工作查看nvidia设置，右击它点击nvidai控制面板，点击系统信息：选择CUDA版本，在NVIDIA控制面板可以看到RTX3060驱动目前最高支持CUDA11.6版本（我的电脑这么显示的）。2.下载Anaconda安装可以参考这篇博客。然后配置国内镜像源（win+r，打开终端），输入以下指令：condaconfig--addchannelshttps://mirrors.tuna.t
1.问题描述：frommmdet.apisimportinference_detector,init_detecto运行时报错：ImportError:libtorch_cuda_cu.so:cannotopensharedobjectfile:Nosuchfileordirectory（1）环境中libtorch_cuda_cu.so文件：不存在\red{不存在}不存在2.原因和解决方法：mmcv的版本和torch版本不一致[mmcv官网:PyTorch和CUDA版本要求][mmcv官网:其他版本PyTorch]找对应版本torch并重装condainstall-cpytorchpytorc
报错PSC:\Users\example>pythonPython3.8.0(default,Nov62019,16:00:02)[MSCv.191664bit(AMD64)]::Anaconda,Inc.onwin32Type"help","copyright","credits"or"license"formoreinformation.>>>importtorchD:\software\Anaconda3\envs\work38\lib\site-packages\torch\cuda\__init__.py:83:UserWarning:CUDAinitialization:Unexp
目录一、前言二、安装CUDA、cuDNN和PyTorchCUDA的安装cuDNN的安装三、验证是否安装成功一、前言在进行深度学习模型训练时，可以使用CPU训练，但通常比较慢，也可以采用GPU进行加速训练，从而缩短训练时间。目前支持深度学习的显卡只有NIVDIA，AMD是不支持的，因此AMD显卡的用户不用再纠结于CUDA的安装了，直接安装CPU版本的PyTorch就好了。要使用GPU进行加速训练，要安装三个东西：CUDA、cuDNN、PyTorch。PyTorch大家都知道，是一个用于深度学习的开源库，当然这里用Tensorflow也可以，看个人喜好。而CUDA和cuDNN可能一开始会分不清，通
报错信息es@MEPRDAPP01:/root/opt/elastic/elasticsearch-8.1.2>java-versionjavaversion"1.8.0_221"Java(TM)SERuntimeEnvironment(build1.8.0_221-b11)JavaHotSpot(TM)64-BitServerVM(build25.221-b11,mixedmode)es@MEPRDAPP01:/root/opt/elastic/elasticsearch-8.1.2>shstart.shcouldnotfindjavainES_JAVA_HOMEat/root/opt/el
报错信息es@MEPRDAPP01:/root/opt/elastic/elasticsearch-8.1.2>java-versionjavaversion"1.8.0_221"Java(TM)SERuntimeEnvironment(build1.8.0_221-b11)JavaHotSpot(TM)64-BitServerVM(build25.221-b11,mixedmode)es@MEPRDAPP01:/root/opt/elastic/elasticsearch-8.1.2>shstart.shcouldnotfindjavainES_JAVA_HOMEat/root/opt/el
安装及配置过程一、下载安装CUDAToolkit1.查看当前系统所支持CUDA版本2.官网下载安装合适的CUDA3.配置环境变量4.测试CUDA安装是否成功二、下载安装cuDNN1.下载合适版本的cuDNN2.替换CUDA中部分文件三、检查是否成功配置GPU加速环境一、下载安装CUDAToolkit1.查看当前系统所支持CUDA版本打开命令行，输入以下命令查看系统支持CUDA版本，如图所示本机最高支持CUDA11.4nvidia-smi若出现**‘nvidia-smi’**不是内部或外部命令，也不是可运行的程序或批处理文件的问题。可进入该目录下（C:\ProgramFiles\NVIDIACo
安装及配置过程一、下载安装CUDAToolkit1.查看当前系统所支持CUDA版本2.官网下载安装合适的CUDA3.配置环境变量4.测试CUDA安装是否成功二、下载安装cuDNN1.下载合适版本的cuDNN2.替换CUDA中部分文件三、检查是否成功配置GPU加速环境一、下载安装CUDAToolkit1.查看当前系统所支持CUDA版本打开命令行，输入以下命令查看系统支持CUDA版本，如图所示本机最高支持CUDA11.4nvidia-smi若出现**‘nvidia-smi’**不是内部或外部命令，也不是可运行的程序或批处理文件的问题。可进入该目录下（C:\ProgramFiles\NVIDIACo
问题：cMake编译yolov5报错：NoCUDAtoolsetfound.解决：在stackoverflow找到解决方案。将该路径下的四个文件C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v11.1\extras\visual_studio_integration\MSBuildExtensions拷贝到以下路径中。C:\ProgramFiles(x86)\MicrosoftVisualStudio\2019\Enterprise\MSBuild\Microsoft\VC\v160\BuildCustomizations再编译，通过。注意：换成
结果总结：首先自定义组件命名格式以vtabs-xxx命名，然后引用格式：singComponents":{"vtabs-01":"../../components/vtabs/vtabs-01"还有看一下app.json里面有没有引入过，在app.json里面引入过就已经是全局的了。再引入局部就会报错。说明：估计是版本问题
