真傳x深度學習第二課：nvidia顯示卡驅動和cuda安裝（小米13.3，顯示卡mx150）
安裝nvidia驅動和cuda，cudnn相關軟體
環境說明:小米13.3，8代i5，mx150獨顯
1、 新增驅動源
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
2、 安裝Nvidia驅動
sudo apt-get install nvidia-367
sudo apt-get install mesa-common-dev
sudo apt-get install freeglut3-dev
執行上述3命令後應當驗證是否安裝ok
參考：http://blog.csdn.net/u010837794/article/details/63251725
執行完上述後，重啟：
sudo reboot
必須要重啟哦。重啟後執行
nvidia-smi
如果出現了你的GPU列表，則說明驅動安裝成功了。
另外也可以通過：nvidia-settings檢視自己機器上詳細的GPU資訊。這個會彈出圖形介面的東西，不建議使用。
3、 使用aria2下載CUDA8.0
下載引導頁地址：https://developer.nvidia.com/cuda-80-ga2-download-archive
實際下載地址：http://developer2.download.nvidia.com/compute/cuda/8.0/secure/Prod2/local_installers/cuda_8.0.61_375.26_linux.run?BE5UwVtdx1qOSXGlLZrDPBI-8R_QEVT5NXWlmdEXeXWtUkPZngemVgMPEXTnIH81sSHBZQMvJxq-Sga204QpbbfGVqpFKIIQXPTR4TPiwlH9uD4x4NmWpUJOEl_foKhj7WgtzKmp0uV75Qy_Luc5C1osdM9ZcW3AhIoDaaV9uSiDKTDWo4mINAov
大小：1.4G
名稱：cuda_8.0.61_375.26_linux.run
我使用Aria2下載（如果沒有則安裝aria2：sudo apt-get install aria2）：
aria2c -s 3 http://developer2.download.nvidia.com/compute/cuda/8.0/secure/Prod2/local_installers/cuda_8.0.61_375.26_linux.run?VOvimfVryGI24xcQZtHNpKQy9VxlQZt8ZR0kVqkWkI6bAr-hxaAXDiuzoS76lgXTrleU-am1NMOP0mP_pXgdEAwWPxFmUgN1OiIBZj9xfxE7y-LQqTNbqvXlLCVVv-w4EyzwOsZo3eCtSjvBqV-Bq4GpUyLL6wS38qNDep79V5WyYnkTomOX6_iq
下載完成後執行命令
cd ~
mkdir download
cuda_8.0.61_375.26_linux.run download/
sudo sh cuda_8.0.61_375.26_linux.run
Summary提示安裝失敗：
It appears that an X server is running. Please exit X before installation
處理方式：
再次執行下最後一條命令sudo sh xxx.run
進行選擇時留意以下選項：
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?
答案必須是n
參考：http://www.52nlp.cn/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%BB%E6%9C%BA%E7%8E%AF%E5%A2%83%E9%85%8D%E7%BD%AE-ubuntu-16-04-nvidia-gtx-1080-cuda-8
執行後安裝後顯示
Driver: Not Selected
Toolkit: Installed in /usr/local/cuda-8.0
Samples: Installed in /home/john, but missing recommended libraries
Driver: Not Selected，雖然看起來不大對，但參考文章中也是如此，暫且認為正常。
4、 更改配置檔案
vim ~/.bashrc
（末尾）新增
export PATH=/usr/local/cuda-8.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH
在執行：
nvidia-smi看看是否正常。
在測試下剛才安裝是否正常：
cd /usr/local/cuda/samples
cd 1_Utilities/deviceQuery
sudo make
執行正常後，在執行
./deviceQuery
應該會輸出顯示卡資訊，這裡則說明cuda安裝ok。
（若想進步一測試
cd ../../5_Simulations/nbody/
sudo make
./nbody -benchmark -numbodies=256000 -device=0
）
5、下載安裝CUDNN
aria2c -s 3 http://developer.download.nvidia.com/compute/redist/cudnn/v6.0/cudnn-8.0-linux-x64-v6.0-rc.tgz
下載後執行：
tar -xzvf cudnn-8.0-linux-x64-v6.0.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ -d
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
TODO補充：如何驗證cudnn安裝成功
相關推薦
真傳x深度學習第二課：nvidia顯示卡驅動和cuda安裝（小米13.3，顯示卡mx150）
安裝nvidia驅動和cuda，cudnn相關軟體 環境說明:小米13.3，8代i5，mx150獨顯 1、 新增驅動源 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update 2
吳恩達深度學習第二課第三週作業：識別手勢
# coding: utf-8 # # TensorFlow Tutorial # # Welcome to this week's programming assignment. Until now, you've always used numpy t
深度學習第二課 Softmax迴歸
與第一課線性迴歸（linear regression）不同，softmax迴歸針對的是多分類的情況，即labels不再僅有0,1兩個分類。 softmax通過指數運算將最後的分類轉為0~1間的概率，在終於類別概率中，數值大的為預測概率。 與線性迴歸損失不同，softmax函式計算損失採用的是
golang語言學習第二課：變數型別及常量與列舉
go語言的變數型別： bool (true為0，false不等於0）, string int 分好多種int，有點頭暈,但用預設的int就足夠了，根據機器判斷，是32位的用int32,是64位的用int64. byte, 又是uint8的別名。 rune(類似char，但是
吳恩達深度學習第二課第三週作業及學習心得體會 ——softmax、batchnorm
寫在前面 本週課程用了兩週完成，因為課程讓用tensorflow實現，編碼時還是更希望自己手寫程式碼實現，而在實現過程中，低估了batchnorm反向計算的難度，導致演算法出現各種bug，開始是維度上的bug導致程式碼無法執行，等程式碼可以執行時，訓練神經網路的時候成本又總
【DeepLearning】深度學習第一課：使用autograd來自動求導
使用autograd來自動求導 在機器學習中，我們通常使用梯度下降（gradient descent）來更新模型引數從而求解。損失函式關於模型引數的梯度指向一個可以降低損失函式值的方向，我們不斷地沿著梯度的方向更新模型從而最小化損失函式。雖然梯度計算比較直觀，
吳恩達深度學習第二課第二週作業及學習心得體會——minibatch、動量梯度下降、adam
概述 學習課程後，在L2正則化程式碼的基礎上完成該周作業，現將心得體會記錄如下。 Mini-batch梯度下降 概念 對m個訓練樣本，每次採用t（1<t<m）個樣本進行迭代更新。 具體過程為：將特徵X分為T個batch，每個batch的樣本數為t（最後一
Android學習第二課：Assets資原始檔讀取及AssetManager介紹
APK安裝過程 複製APK安裝包到data/app目錄下，解壓並掃描安裝包，把dex檔案(Dalvik位元組碼)儲存到dalvik-cache目錄，並data/data目錄下建立對應的應用資料目錄，Android系統在sdcard上為每一個應用分配了
OpenGL學習——第二課：第一個OpenGL程式
第一個OpenGL程式一個簡單的OpenGL程式如下：（注意，如果需要編譯並執行，需要正確安裝GLUT，安裝方法如第一課） // OpenGl.c #include <GL/glut.h>void myDisplay(void){glClear(GL_COLOR_BUFFER_BIT);gl
C語言學習第二課：資料處理與互動式輸入
先上一張知識結構圖 一：型別轉換 1、隱式型別轉換（系統自動進行型別轉換） 當賦值發生時，如果兩邊資料型別不一致，C語言中會將等號右邊的資料自動轉換為等號左邊變數的資料型別 double d = 40; //整型資料賦給雙精度浮點型變數 //C系
SpringBoot 2.X課程學習 | 第二篇：讓依賴管理更加便捷（Dependency Management）
一、前言 傳統我們搭建SSM專案的時候，使用maven做jar依賴管理的
深度學習筆記一： LeNet-5、AlexNet 和 VGGNet等網路模型的小結
最近在學習吳恩達Andrew Ng的深度學習課程，之前對這幾個網路還比較混亂，現在記錄一下： LeNet-5神經網路的貢獻： 1.這是一個比較早的網路模型，其中在卷積層後面加入池化層的思想先今還在使用。 2.在最後的卷積層接入池化層和全連線層在當前也比較常用。 出
ubuntu 16.04安裝nVidia顯卡驅動和cuda/cudnn踩坑過程
頭文件 技術 mode black ubun 沖突 bash 更新 linu 安裝深度學習框架需要使用cuda/cudnn(GPU)來加速計算，而安裝cuda/cudnn，首先需要安裝nvidia的顯卡驅動。 我在安裝的整個過程中碰到了驅動沖突，循環登錄兩個問題，以至於
Centos7 上為kaldi安裝/解除安裝 nvidia顯示卡驅動和CUDA
比起sge叢集的搭建配置，這個不算難，但還是有很多細節拖慢你的速度。已經重灌超過三次了，還是整理清楚記下來方便以後再要重灌吧！ 1.安裝和配置 一個關鍵點就是：nvidia顯示卡的型別決定可以安裝哪些cuda的版本，而顯示卡驅動的版本又必須滿足cuda版本的要求！
Ubuntu16.04安裝NVIDIA顯示卡驅動和CUDA時的一些坑與解決方案
這幾天在新購置的筆記本上部署工作環境，在安裝NVIDIA驅動的時候遇到了不少坑，重灌了很多次，在Ubuntu論壇以及其他資料源看了很多大牛的分析，最終終於解決了一個又一個問題，過程比較艱辛，所以決定寫一篇部落格總結一下，溫故知新，如果正好能解答一些後來者的問題，那就再好不
安裝NVIDIA顯示卡驅動和CUDA（實測可用）
（1）安裝NVIDIA顯示卡開啟命令視窗（ctrl+Alt+T） sudo apt-get purge nvidia* sudo add-apt-repository ppa:graphics-drivers/ppasudo apt-get update sudo apt-g
Ubuntu 16.04 解除安裝Nvidia顯示卡驅動和cuda
tensorflow不斷升級，最新版本的程式碼需要更高版本的cuda支援。以前一直用cuda8.0和cudnn6.0的組合，tensorflow用1.3.0版本。不過最新下載的models，某些程式碼執行時，已經出現了錯誤。 類似的錯誤是因為tensorf
CUDA（32）之Ubuntu下安裝Nvidia顯示卡驅動和Cuda之後，回頭聊聊這兩個磨人的小妖精
環境描述 Ubuntu16.04 + NVIDIA Getforce 940MX (Thinkpad) + Cuda8.0 問題描述 黑屏，藍屏，發生各種錯誤，然後為了解決這些錯誤，引入了更多的錯誤，重
吳恩達課程學習筆記--第一週第二課：深度學習的實踐層面
訓練，驗證，測試 在機器學習的小資料時代，70%驗證集，30%測試集，或者60%訓練，20%驗證和20%測試。大資料時代，如果有百萬條資料，我們可以訓練集佔98%，驗證測試各佔1%。 深度學習的一個趨勢是越來越多的訓練集和測試集分佈不匹配，根據經驗，我們要確保兩個資料集來自同一分佈。 測
跟著吳恩達學深度學習：用Scala實現神經網路-第二課：用Scala實現多層神經網路
上一章我們講了如何使用Scala實現LogisticRegression，這一張跟隨著吳恩達的腳步我們用Scala實現基礎的深度神經網路。順便再提一下，吳恩達對於深度神經網路的解釋是我如今聽過的最清楚的課，感嘆一句果然越是大牛知識解釋得越清晰明瞭。 本文分為以下四個部分。