问题表现：训练网络时提示下错误 Check failed: status == CUDNN_STATUS_SUCCESS (3 vs. 0) CUDNN_STATUS_BAD_PARAM 系统环境： Ubuntu 14.04 GeForce GTX TITAN X 驱动 384.90 CUDA 8.0 cudnn 6.0.21 由于运行 Tensorflow 1.4.0 版本时提示 libcudn

首先吐个槽，ubuntu + nvidia的显卡驱动简直是反人类，害的我折腾了一天多。 一、问题及解决办法 寒假放假回家没事干，正好给家里电脑升级了显卡gtx1050可以跑跑CNN。我在实验室的显卡是560，比较老了，按着实验室的环境配置流程走下来居然不能用，症状就是在Python中不能成功的import caffe，然后重启后无限循环登录。 问题： 不能进入ubuntu的图形界面，在登录界面循环

在Nvidia TX2上安装Cuda8.0+Cudnn5.1+TensorFlow1.2+OpenCV3.2 工具 宿主机（host）：ubuntu14.04、至少50GB存储空间 Jetpack3.0：软件下载地址、文档地址 因为只有Jetpack3.0包含cuda8.0和cudnn5.1，而Jetpack3.0只能运行在ubuntu14.04上（亲测16.04有问题会导致失败） 安装Jetpa

Ubuntu 16.04+CUDA8.0+cuDNN6.0+caffe 之前安装过一次caffe，这次重新安装没想到又遇到很多问题，之前想写一下安装教程的，当时因为考虑到网上的教程已经有很多了，就没有着手去写。但是从这次的安装情况来看，还是需要认真记录一下安装的过程，以免下一次犯同样的错误，也是为了加深点自己的印象，同时也能作为别人的参考教程。 软件链接: https://pan.baidu.co

GPU card with CUDA Compute Capability 3.0 or higher. 1、下载cuda_8.0.61_375.26_linux.run后放入soft文件夹，建立local文件夹（cuda安装路径） 2、运行“sh cuda_8.0.61_375.26_linux.run”， 3、在ubuntu系统中已经有显卡驱动时（利用nvidia-smi命令检测），跳过第一步

Ubuntu17.04+Nvidia GT 640LE+CUDA9.0+cuDNN7.05+Tensorflow1.5r0(GPU)+Anaconda5.01(python3.6)安装 一、详细的安装环境： 1、硬件环境：Intel酷睿3代i5（3210m-cpu）/Geforce GT 640m-LE 2、软件环境：Ubuntu17.04(64bit)/gcc6.x/bazel0.9.0/CUD

这个系列写了好几篇文章，这是相关文章的索引，仅供参考： 深度学习主机攒机小记 深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0 深度学习主机环境配置: Ubuntu16.04+GeForce GTX 1080+TensorFlow 深度学习服务器环境配置: Ubuntu17.04+Nvidia GTX 1080+CUDA 9.0+cuDNN 7.0+T

官网文档地址： http://docs.nvidia.com/cuda/cuda-installation-guide-linux/#ubuntu-installation 一、系统需求 1. 查显卡型号是否支持 lspci | grep -i nvidia 找到VGA compatible controller型号，并到Cuda网站查询。 https://developer.nvidia.com

1.ubuntu16.04安装，这个就略过了。。注意最好是纯ubuntu，不要搞虚拟机，虚拟机对于显卡的识别好像有问题（听说） 2.GTX1070显卡驱动 一次打开 设置===》软件和更新==>附加驱动==》会自动提示推荐的显卡驱动，我这里安装的版本是384 3.下载cuda8.0和cudnn5.1 https://developer.nvidia.com/cuda-toolkit cuda8.0

总说 这些更新不影响主体。所有更新附加在文章最后。 第一次更新： 内容：添加一些Torch7常用库的安装，时间：2017.3.20 第二次更新：内容：某些torch库无法在线安装，转成离线安装的方法，时间：2017.3.31 第三次更新：内容：针对安装”cutorch”时出错的问题修复。时间：2017.5.11 第四次更新：内容：加入cudnn6.0的安装。 时间：2017.5.19 第五次更新：

1. 安装前的预备知识/Pre-installation Actions CUDA是NVIDIA公司开发的一套并行计算平台和编程模型，它通过GPU（显卡）的强大计算能力显著地提高程序的运行速度。它实际上只是在C语言的基础上提供了一组扩展，所以其cuda代码的风格与C语言十分相似。 为了在你的Linux系统中使用CUDA，需要做以下准备工作： 确认你的电脑上有一张支持CUDA的显卡 首先，只有英伟达

首先，去NVIDIA官网下载你电脑对应型号所需驱动。我当时下载的是(NVIDIA-Linux-x86_64-375.39.run)，目前应该有最新的稳定版本，下载好之后，我们再进行后续步骤。 一、禁用nouveau驱动 要先禁用Ubuntu 自带的显卡驱动，才能装Nvidia显卡驱动 按 Ctrl+Alt+F1进入命令提示符,新建一个黑名单文件 先输入用户名，再输入密码，然后就可以输入下面的命令了

需求 tensorflow-gpu1.2版本需要cudnn5，1.3之后需要Cudnn6。想要一种方式能够同时安装两个版本的，这样tensorflow-gpu不同版本可以通过python虚拟环境实现，cudnn多版本也能配合使用。 方法 其实cudnn多版本是兼容的，不会影响。至少我下面的这种方式不会影响！ 正常安装深度学习环境，安装cudnn5.1（通过下载×××.tar.gz）; 下载deb形

总体流程 安装Ubuntu16.04及显卡驱动 禁用nouveau驱动 禁用Secure Boot 安装Anaconda3、CUDA8.0、cudnn6.0、opencv3 安装anaconda3 安装CUDA8.0 安装cudnn6.0 安装pytorch，安装tensorflow，安装opencv，配置pycharm 安装pytorch 安装tensorflow-gpu 安装opencv3.3

原博文： 这篇文章主要依据两篇文章：  深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0  深度学习主机环境配置: Ubuntu16.04+GeForce GTX 1080+TensorFlow  不过在实际运行的过程中，有一定的不同之处，随着时间的推移，一些组件已经可以更方便的安装，不再需要自己编译了。一些流程也有所更改。因此我在这里把自己在ubun

版权声明：可以任意转载，转载时请标明文章原始出处-xjtushilei和作者信息：石磊 背景 主要就是遇到的各种坑，大家不要再范了。 技嘉的主板Z370HD3 不支持ubuntu16.04，安装过程中会报错，有ACPI error，google各种无解，官方售后不支持linux服务，因为这是家用消费级别的主板。 安装centos7.3，顺利安装，但是无线网卡不能正常运作，其他的操作系统cuda支持

从零开始到ubuntu14.04系统+nvidia显卡驱动+cuda8.0+cudnn5.1+tensorflow(pytorch) 最近花了几天时间，将实验室的一台服务器从零到Ubuntu14.04系统，nvidia显卡驱动，cuda8.0+cudnnV5.1，tensorflow，pytorch安装好。中间遇到过无数个问题，现在将这个过程的步骤和问题记录下来，方便以后查看。 环境配置说简单也简

想尝试一下Ubuntu18。 安装就不费事说了。 环境：ubuntu18.04LTS，python3.6.5  目标环境：cuda9.0 cuDNN7.0.5_for_cuda9.0 tensorflow任意 依照https://blog.csdn.net/ShellDawn/article/details/80274534 我也安装了一些依赖项： sudo apt-get install fre

TensorFlow 1.2 依赖cuda8 + cudnn5.1 Pytorch则要求cudnn ≥ 6 需要做的操作： （1）先安装cudnn5.1，再安装cudnn6，cuda/lib64文件夹下的libcudnn库关系如下： （2）重装TensorFlow