1、显卡驱动的安装最近，在学习pytorch深度学习，遇到很多的坑，环境配置也出现过问题，忍不住和大家进行分享，现在把环境搭建过程分享给大家。1.1、查看自己的显卡。具体操作：我的电脑-——属性——设备管理器——显示适配器1.2、驱动的下载、安装。在找到自己的显卡后，去NVIDIA官网下载安装驱动 选择自己的显卡类型，如果你是GTX显卡，有可能只能选择GameReady，区别很小，能用就行1.3、显卡驱动安装检测win+R输入cmd 打开窗口后输入：nvidia-smi 如果成功显示显卡数据，恭喜。右上角的11.6，说明我的显卡驱动最高支持11.6的cuda。但我肯定不能安装11.6，因为py
1、win+r 输入cmd打开窗口输入nvidia-smi查看cuda版本，我的是11.62、来这里看些你的cuda和驱动版本(我的是521.78)匹配不么,不匹配的话去升级,我没遇到这个问题,goodluck 3、下载cuda: CUDAToolkitArchive|NVIDIADeveloperPreviousreleasesoftheCUDAToolkit,GPUComputingSDK,documentationanddeveloperdriverscanbefoundusingthelinksbelow.Pleaseselectthereleaseyouwantfromtheli
1、win+r 输入cmd打开窗口输入nvidia-smi查看cuda版本，我的是11.62、来这里看些你的cuda和驱动版本(我的是521.78)匹配不么,不匹配的话去升级,我没遇到这个问题,goodluck 3、下载cuda: CUDAToolkitArchive|NVIDIADeveloperPreviousreleasesoftheCUDAToolkit,GPUComputingSDK,documentationanddeveloperdriverscanbefoundusingthelinksbelow.Pleaseselectthereleaseyouwantfromtheli
CUDA安装教程，以Windows10系统为例：CUDA.exe安装查看电脑的支持的CUDA版本，按照如下教程：首先找到这个图标，也就是nvidia控制面板，然后打开：然后点击左下角系统信息再点击“组件”，查看NVCUDA64.DLL的CUDA支持版本，在这我们支持CUDA11.2版本。再到官网下载CUDA对应的版本。官网链接如下https://developer.nvidia.com/cuda-toolkit-archive选择对应系统的版本，最后点击下载即可下载完成后在浏览器下载目录下存在一个exe可执行文件，双击运行程序开始安装安装步骤如下所示建议不要更改文件目录（会减少后续的很多麻烦）
CUDA安装教程，以Windows10系统为例：CUDA.exe安装查看电脑的支持的CUDA版本，按照如下教程：首先找到这个图标，也就是nvidia控制面板，然后打开：然后点击左下角系统信息再点击“组件”，查看NVCUDA64.DLL的CUDA支持版本，在这我们支持CUDA11.2版本。再到官网下载CUDA对应的版本。官网链接如下https://developer.nvidia.com/cuda-toolkit-archive选择对应系统的版本，最后点击下载即可下载完成后在浏览器下载目录下存在一个exe可执行文件，双击运行程序开始安装安装步骤如下所示建议不要更改文件目录（会减少后续的很多麻烦）
Nvidiadockerruntime原理场景：docker本身并不原生支持GPU，但使用docker的现有功能可以对GPU的使用进行支持。dockerrun\--device/dev/nvidia0:/dev/nvidia0\--device/dev/nvidiactl:/dev/nvidiactl\--device/dev/nvidia-uvm:/dev/nvidia-uvm\-v/usr/local/nvidia:/usr/local/nvidia\-it--privilegednvidia/cuda如上所述，通过--device来指定挂载的GPU设备，通过-v来将宿主机上的nvidia
Nvidiadockerruntime原理场景：docker本身并不原生支持GPU，但使用docker的现有功能可以对GPU的使用进行支持。dockerrun\--device/dev/nvidia0:/dev/nvidia0\--device/dev/nvidiactl:/dev/nvidiactl\--device/dev/nvidia-uvm:/dev/nvidia-uvm\-v/usr/local/nvidia:/usr/local/nvidia\-it--privilegednvidia/cuda如上所述，通过--device来指定挂载的GPU设备，通过-v来将宿主机上的nvidia
玩转OpenPose【玩转OpenPose】编译篇一、开发环境二、下载与安装2.1CUDA（用于高性能计算）与CUDNN（用于深度神经网络计算的支持）2.2下载Cmake2.3下载0penPose源码2.4下载caffe-openpose源码2.5下载pybind11源码三、编译OpenPose(以上步骤完成-开始编译)3.1编译GPU3.2编译CPU3.3demo测试（GPU版和CPU版都相同）四、建立OpenPoseDemo项目4.1先创建项目，建立bin目录和models目录，bin目录放依赖的相关文件，models放模型文件。4.2将build_GPU(build_CPU)/x64/R
玩转OpenPose【玩转OpenPose】编译篇一、开发环境二、下载与安装2.1CUDA（用于高性能计算）与CUDNN（用于深度神经网络计算的支持）2.2下载Cmake2.3下载0penPose源码2.4下载caffe-openpose源码2.5下载pybind11源码三、编译OpenPose(以上步骤完成-开始编译)3.1编译GPU3.2编译CPU3.3demo测试（GPU版和CPU版都相同）四、建立OpenPoseDemo项目4.1先创建项目，建立bin目录和models目录，bin目录放依赖的相关文件，models放模型文件。4.2将build_GPU(build_CPU)/x64/R
Ubuntu18.04安装Nvidia驱动【全网不坑，超全步骤】亲测～为了方便以后回忆以及给像我一样的菜鸡提供思路，给出具体的步骤：No.1查看自己的电脑显卡型号（已知麻烦自动略过）No.2下载电脑对应的Nvidia版本驱动No.3准备工作，下载依赖No.4开始安装为了方便以后回忆以及给像我一样的菜鸡提供思路，给出具体的步骤：No.1查看自己的电脑显卡型号（已知麻烦自动略过）直接上命令：1）方法一：（可有有些人不适用，就像我）lshw-cvideo结果：2）方法二：（适用）lspci|grep-invidia显示：02:00.03Dcontroller:NVIDIACorporationDev
