前言因为工作上的功能，查询到该插件；下载后最终也未选择该插件，不过这里将学习的过程分享一下，方便后来者学习；感觉这个插件已经停止更新了，不过该插件还是很强大的；不知道是否真的能通过该插件实现宣传视频的效果，个人感觉花一定的时间可能可以实现。宣传效果插件效果安装插件只需要将.unitypackage文件拖入工程即可。导入成功后，顶部菜单会多出一个NVIDIA选项：可以添加组件和创建资源。而Project窗口的右键也会多出一个NVIDIA选项：可以创建Assets。插件使用在工程的Assets\NVIDIA\FlexSamples目录下会有案例的，可以直接快速查看：Assets\NVIDIA\Fl
1.背景在云渲染容器组pod中，有xx，xx，xx，unity四个container容器组成，然后因为unity容器镜像的构成是基于vlukan（cudagl相关）和cuda-base打包的，这里的cuda是nvidia的一个驱动版本，类似显卡驱动。现象是启动unity容器后无法运行nvidia-smi和vlukaninfo初步排查：因为容器化运行需要依赖宿主机的GPU机器资源，需要宿主机有nvidia驱动且容器能正常映射到宿主机资源。最后定位到容器中nvidia-smi未输出任何信息，是由于nvidia-container-toolkit组件未将GPU设备挂载到容器中，组件中的nvidia-
硬件直通就是就是将自己主机的部分硬件直通到其中某一个虚拟机，其他虚拟机不能使用，这样可以有效的提升硬件使用性能。需要做的不算多，但是想要做好还是要下一定功夫，当时我也弄了很久，收藏夹里有很多文章，甚至有的文章已经失效了，时间有点久远，我也忘记具体参考了那一篇，我在下边贴出来：PVE7教程【篇一】硬件虚拟化显卡直通与GVT-g_NAS存储_什么值得买(smzdm.com)我的NAS+HTPC折腾之旅篇十七：PVE下安装win10,直通独显实现HDMI输出_NAS存储_什么值得买(smzdm.com)PVE开启硬件显卡直通功能-哔哩哔哩(bilibili.com)PVE直通核显ds918
昨天想看显卡，更新了下驱动，发现服务器重启进不去步骤1开机按esc进入选项界面2、进去以后选择一个括号里面带recoverymode的选项3、然后它自动黑屏出现代码，然后弹出一个选择框，选择root4、接着在屏幕下部分可以看到命令行，按回车进入到自己的用户名下5、输入命令卸载安装的nvidia驱动6、重启电脑，就正常了终于弄好了记录下1开机按esc进入选项界面选择高级模式(ubuntu高级选项）2、进去以后选择一个括号里面带recoverymode的选项我选的是最高项3、然后它自动黑屏出现代码，然后弹出一个选择框，选择root4、接着在屏幕下部分可以看到命令行，按回车进入到自己的用户名下5、输
目录1平台2目标3步骤3.1驱动1更新apt软件源2使用apt安装驱动3重启计算机4验证3.2CUDA1CUDAToolkit安装2环境变量设置3POWER9设置4重启计算机5验证3.3cuDNN1配置临时环境变量2添加apt库3安装cuDNN和cuDNN示例程序4验证3.4nvidia-docker21添加nvidia-docker2的GPGKeys2添加nvidia-docker2的apt库3更新apt软件源4使用apt安装nvidia-docker25重启计算机6验证References1平台OS：Pop!_OS22.04LTS本文所有输入输出都是在Pop!_OS22.04LTS上的。P
翻译https://www.microway.com/hpc-tech-tips/nvidia-smi_control-your-gpus/内容收录https://www.cnblogs.com/caishunzhe/p/12668363.html大多数用户知道如何检查其CPU的状态，查看多少系统内存可用或找出多少磁盘空间可用。相反，从历史上看，保持GPU的运行状况和状态更加困难。如果您不知道在哪里看，甚至可能很难确定系统中GPU的类型和功能。值得庆幸的是，NVIDIA最新的硬件和软件工具在这方面取得了不错的改进。该工具是NVIDIA的系统管理界面（nvidia-smi）。根据卡的生成方式，可
之前写过在Ubuntu16.X和18.X上使用KVM+显卡直通的方案，很多读者参照博客的内容进行了虚拟化方案，也有不少读者加我QQ联系我咨询问题，时间过去了两三年了，无论Ubuntu版本和KVM版本都有更新了，尤其Nvidia显卡驱动检查方面有了很大的变化，考虑有很多朋友都会用到，加上最近在我们有些客户在LarkXR产品时想结合KVM做显卡直通，所以，就机会更新一下最近Ubuntu20.04.3KVM+显卡直通的配置方法。说明：我们LarkXR产品本身是一套开箱即用的云渲染产品，支持一机多卡，单卡共享等细粒度的GPU池化分配方案，本身不需要做虚拟化的，但客户有些特殊的使用场景还是会用到虚拟化，
有得小伙伴的电脑应该是集显+独显的，或多或少有遇到这个情况：电脑开机后，黑屏停留近1分钟后才进入系统这个问题我也碰到过，我用的是联想笔记本。那么解决的办法有的，下面跟我这样搞。原因：遇到该问题的应该AMD和Intel双显卡的电脑，由于双显卡的设置原因引起的。解决办法：1、按Win+R，打开运行，输入regedit，回车;2、找到以下的两个值，并修改为0;[HKEY_LOCAL_MACHINE\SYSTEM\ControlSet001\Control\Class\{4D36E968-E325-11CE-BFC1-08002BE10318}\0000]"EnableULPS"=dword:0000
这是一篇非常基础的记录：如何优雅地监控服务器GPU使用情况？下面总结4个最常用的方式：nvidia-smi(最有名，没有之一)🌟🌟gpustat(彩色并简约的显示)🌟🌟🌟🌟nvtop(完整的信息，需root权限apt安装，不是非常方便)🌟🌟🌟nvitop(完整的信息，可作为Python的库安装，非常方便)🌟🌟🌟🌟🌟工具1：nvidia-smi直接在终端输入nvidia-smi可以得到显卡情况：nvidia-smi如果希望自动刷新这个命令，可以输入如下命令：nvidia-smi-l如上方式会显示历史信息和当前信息，如果只想看当前信息，则可以执行如下命令实现每1s刷新一次：watch-n1nvid
CUDA版本选择/安装（不同的深度学习项目需要不同CUDA）源起尝试的方法cuda的安装源起9月-11月测试深度学习的项目，由于个人的方向的论文主要集中于2017,2019年左右，这个阶段很多代码都是tensorflow1与tensorflow2兼有、python2与python3兼有，cuda主要用的是cuda8,cuda10我的机器显卡是3060的（R9000P）；然后租的机器是3090的，借的机器是A100的，显卡太新，跑不了我研究方向的很多项目（很长一段时间我都在抑郁，我的显卡不赖呀，竟然跑不起来代码，都想换课题了）尝试的方法在3060、3090的机器上安装cuda8（不要这个干！！！
