xu.hyj

Linux安装配置Jupyter Lab并开机自启

我有一个基于pytorch的动漫化Stable Diffusion项目，使用pyside6写了一个可视化界面。但是在新环境使用需要搭建Nvidia-Driver、CUDA、cuDNN和含pytorch的python环境，十分繁琐，所以需求是将项目打包为可执行文件，打包过程中将python环境一起打包，在新环境可以使用自带的python解释器，所以不需要配置python环境。

重启ubuntu后运行需要cuda的程序，发现显示cuda init失败。猜测是驱动出现了问题。重新生成对应驱动模块。

docker的介绍网上有很多，对于深度学习的认来讲，docker的好处就是直接把环境分享给他人，他人不需要再配置环境了。比如我有一个目标检测的项目，我想分享给朋友，那么他首先需要在自己的电脑上配置好显卡驱动、CUDA、CuDNN，在拿到我的项目后，还需要安装各种依赖库，最后代码还不一定跑起来。如果我是用了docker环境进行项目配置，我只需要将环境打包好后分享给朋友。他只需要安装好显卡驱动就行，什么cuda、pytorch之类的都在我分享的环境了。

在echo中该符号就是引用变量$PATH表示引用PATH这个变量，就像windows中的path变量一样，是一组路径，所有文件夹类的路径都在PATH中路径的分割符则也就是将/xxx/xxx路径和变量PATH拼接在一起，组成新的PATH如果是总之通俗点讲，等效于，从而在PATH中新增当前文件夹。

假设你已经按照（一）Ubuntu安装详细教程（从镜像制作到NVIDIA驱动安装全流程）——超详细的图文教程miniconda：一个环境管理软件，环境和环境之间隔离，在不同环境中你可以安装不同python版本和pytorch版本等，这在实践中非常方便，我想你也不希望当你想使用另一个pytorch版本时，只能卸载当前pytroch在安装。有了miniconda你可以直接新建一个环境，在新环境中安装你想要的pytroch版本。......

该部分比较简单，可以参考使用nvidia-smi命令，可以看到当前驱动为510.85.02，支持最高CUDA为11.6。

Windows系统下Pytorch环境的配置（conda环境、CUDA、cuDNN简单安装等）

1. 下载GPU驱动去官网根据条件下载对应的GPU驱动文件，得到.run文件2. 禁用Nouveau 驱动禁用 Nouveau 驱动3. 安装驱动依次执行以下命令:sudo apt install makesudo apt install gccsudo chmod 777 xx.runsudo apt-get remove --purge nvidia*sudo bash xx.run然后出现选择时，一路默认即可最后验证是否安装成功，使用命令nvidia-smi，会出现以下证明成

对于目标检测任务的学习，coco数据集是绕不开的，如果你是在ubuntu或其他linux系统学习还好，但如果是在windows系统下学习，早晚会遇到令人头大的pycocotools安装问题，本文就在windows下如何有效安装pycocotools的问题，记录解决办法。...

详细讲解镜像下载、镜像盘制作、磁盘划分、安装流程以及NVIDIA驱动安装，配上大量截图，对小白十分优友好

1、准备工具2、禁用第三方(nouveau)驱动3、下载并安装NVIDIA驱动4、安装CUDA、pytorch、pytorchvision5、验证6、可能的Bug6.1、ValueError: signal number 32 out of rangeitem版本python3.7CUDA11.3CUDNN8.2.00Pytorch1.11安装CUDA环境部分：1~3安装Pytorch部分：1、准备工具make：sudo apt instal.