Ubuntu 22.04 Tesla V100s显卡驱动,CUDA,cuDNN,MiniCONDA3 环境的安装
今天来将由《蓝创精英团队》带来一个Ubuntu 显卡环境的安装,主要是想记录下来,方便以后快捷使用。
主要的基础环境
-
1. 显卡驱动 (nvidia-smi)
-
2. CUDA (nvidia-smi 可查看具体版本)
-
3. cuDNN (cuda 深度学习加速库)
-
4. Conda python环境管理(Miniconda3)
Nvidia 驱动安装
先更新一下基础环境信息
sudo apt update
sudo apt-get install g++
sudo apt-get install gcc
sudo apt-get install make
查看当前服务器的可用驱动版本
ubuntu-drivers devices

我们选择 标记有 recommended(建议安装) 的驱动来进行安装。
sudo apt install nvidia-driver-535
安装完毕后,执行 nvidia-smi 是看不到结果的,这个时候是需要重启电脑的.
reboot
重启后,执行命令,就可以看到显卡驱动安装完成了。
nvidia-smi

从图上也可以看到显卡驱动已经安装,也能看到CUDA 版本是需要 12.2版本的
CUDA 安装
打开官网
https://developer.nvidia.com/cuda-toolkit-archive
选择下列跟上图看到的CUDA 版本


然后,选择 本地安装相关选项。

只需要执行红色圈内的命令就可以了.
wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda-repo-ubuntu2204-12-2-local_12.2.0-535.54.03-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2204-12-2-local_12.2.0-535.54.03-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2204-12-2-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda
cuDNN安装
打开官网并登录账号
https://developer.nvidia.com/rdp/cudnn-download
选择跟CUDA版本一样的版本进行下载。
也可以 自己服务器直接 wget 下载链接在服务器进行下载。(下载会直接下载到当前路径下)
下载完毕后,在当前目录下执行脚本
执行Shell 脚本
sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb
会提示要安装公钥
sudo cp /var/cudnn-local-repo-ubuntu2204-8.9.7.29/cudnn-local-08A7D361-keyring.gpg /usr/share/keyrings/
然后,继续安装
sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb
sudo apt-get update
安装完毕后,继续安装cuDNN库和cuDNN示例
也可以在上面执行的命令里看到此路径
cd /var/cudnn-local-repo-ubuntu2204-8.9.7.29/
此路径下有相应的安装包
sudo dpkg -i libcudnn8_8.9.7.29-1+cuda12.2_amd64.deb
sudo dpkg -i libcudnn8-dev_8.9.7.29-1+cuda12.2_amd64.deb
sudo dpkg -i libcudnn8-samples_8.9.7.29-1+cuda12.2_amd64.deb
至此 cuDNN就安装完毕了
Miniconda3 安装
这个安装就简单了,直接执行命令即可
wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
chmod 755 Miniconda3-latest-Linux-x86_64.sh
sh Miniconda3-latest-Linux-x86_64.sh
然后,慢慢的回车,输入yes,输入yes,最后还要退出登录,重新登录,即可。
conda 常用命令
conda create --name test python=3.8 //创建环境
conda activate test //切换环境
conda deactivate //退出环境
conda env remove -n test //移除环境
conda env list //查看环境列表
结束
一个基本的ubuntu 显卡环境就部署完成了,可以部署开源的大模型,清华的ChatGLM3大模型或者LangChain模型,以及其他的AI相关的项目。
原创 蓝创精英团队 蓝创精英团队 2023-12-15 08:31 发表于四川
相关推荐
Winform非阻塞提示弹窗源码
Winform非阻塞提示弹窗源码
基于蜣螂优化算法的多无人机安全航迹规划方法研究(Matlab代码实现)
内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机三维协同避障路径规划中的应用,并提供了完整的Matlab代码实现。文章系统阐述了如何在复杂三维环境中规划安全、高效的无人机集群飞行路径,以实现最低飞行成本为目标,综合考虑路径长度、飞行高度、威胁规避和转弯角度等多个因素构成的复合目标函数。通过引入多种策略对蜣螂优化算法进行改进,提升了算法的全局搜索能力与收敛精度,有效解决了多无人机路径规划中存在的高维、多约束、多目标优化难题。研究涵盖了环境建模、算法设计、约束处理、仿真实验与结果分析等全过程,验证了该方法在提升航迹安全性与优化性能方面的有效性。; 适合人群:具备一定Matlab编程能力和优化算法基础知识,从事无人机路径规划、智能优化算法研究、群体智能或相关领域的科研人员、工程技术人员及研究生。; 使用场景及目标:①应用于城市空中交通、应急救援、军事侦察等复杂场景下的多无人机协同任务路径规划;②为研究人员提供一种先进的群智能优化算法实现框架,用于解决多目标、多约束的路径规划问题,推动智能算法在无人系统中的实际落地。; 阅读建议:建议读者结合提供的Matlab代码与文中描述,深入理解算法实现细节,重点关注目标函数构建、多策略改进机制及避障约束处理方式,可通过调整环境参数、威胁分布或优化权重进行扩展实验,进一步掌握算法的适应性与优化潜力。
YLT-数字生命体 通用智能助手
# YLT · 小岳 > 通用 AI Agent 桌面应用。终极目标:**数字分身** —— 在电脑 / 网络 / 元宇宙中替你做事,并连接物理世界。 > 核心长期研究方向:**内核大脑**(kernel)与**框架骨架**(engine / runtime 分层)。 小岳是**通用智能体**,不是任何特定业务系统的定制数字生命体。它是桌面常驻伙伴: 对话、工具调用、联网检索、长期记忆、目标与主动提醒、自我进化实验,同时作为 **应用互联枢纽**,通过本机注册表协议与 MCP 双向连接外部应用。
艺术体操训练打卡表 (1).xlsx
艺术体操训练打卡表 (1).xlsx
高校技术转移办公室人员如何通过智能手段提升技术成果的市场转化率?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。


