Distribution
选择
Ubuntu
，系统版本选择
20.04
；
安装方式任选一种即可，这里我选择
runfile(local)
：
$ wget https://developer.download.nvidia.com/compute/cuda/11.6.0/local_installers/cuda_11.6.0_510.39.01_linux.run
$ sudo sh cuda_11.6.0_510.39.01_linux.run
执行安装时，首先输入accept接受协议；
接下来，会要求选择安装的内容，如图。
这里主要包含两部分，第一个是CUDA的驱动，第二个是它的工具包。对于毛坯服务器而言，两者都是需要安装的。如果是已经配置过环境的服务器，则需要手动取消安装Driver，只安装工具包，否则会因为驱动出现冲突而安装失败。
安装好之后，它会提示你将提示的路径添加到.bashrc中。
$ vim ~/.bashrc
+ LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64
保存退出后，bash一下。
2. Conda
进入 Miniconda 官网，选择正确版本的安装文件，右键复制链接，在终端中使用wget命令下载。
$ wget https://repo.anaconda.com/miniconda/Miniconda3-py39_4.10.3-Linux-x86_64.sh
下载完成后，使用bash执行该文件。
安装过程中无脑选yes完成安装即可。
安装完成后，bash一下，激活conda环境(base)。
可以在conda中创建新环境以便管理，如创建一个名为dl的环境用于深度学习，同时安装pip：
$ conda create -n dl python=3.9 pip
安装好之后，通过conda activate dl来激活该环境。
3. Pytorch等
接下来在dl环境中安装pytorch等工具。
访问 Pytorch 官网以获取特定版本的Pytorch的安装方式。如：
(dl) $ pip3 install torch==1.10.1+cu113 torchvision==0.11.2+cu113 torchaudio==0.10.1+cu113 -f <https://download.pytorch.org/whl/cu113/torch_stable.html>
至此，一个基本的深度学习环境已经搭建完成。
检查CUDA版本和软链接：
$ which nvcc
$ stat cuda
值得注意的是，使用which nvcc或者nvcc -V查看的是CUDA的运行API版本，而使用nvidia-smi查看gpu运行情况时，里面显示的CUDA版本是驱动API版本。一般来说需要驱动版本≥运行版本。
- 2195
-
用户9620249403794
Linux
- 457
-
黑色姆莱史
Kubernetes
Docker
Linux
![【Prompt系列】(四) [论文分享] Pre-trained Prompt Tuning：这是一份来自清华的PPT](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAADwAAAA8AQMAAAAAMksxAAAAA1BMVEUAAACnej3aAAAAAXRSTlMAQObYZgAAAA5JREFUKM9jGAWjAAcAAAIcAAE27nY6AAAAAElFTkSuQmCC)