显卡驱动安装与CUDA环境配置：从原理到实践的完整指南

原创 于 2026-08-01 15:37:06 发布 · 384 阅读 · 9 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测

为什么显卡驱动安装会成为无数开发者和技术爱好者的“噩梦”？从Ubuntu系统安装NVIDIA驱动后卡在加载界面，到CUDA版本与驱动版本不匹配导致深度学习环境崩溃，再到服务器上安装3090显卡驱动后系统无法启动——这些看似简单的安装步骤背后，隐藏着操作系统、硬件兼容性、软件依赖和版本管理的复杂交织。

这篇文章要解决的核心问题，不是简单地复制粘贴命令，而是帮你建立一套 系统性的显卡驱动安装与故障排查思维模型 。无论你是在Ubuntu 22.04上为RTX 5060 Ti安装驱动，还是在服务器上配置P40计算卡，亦或是为ThinkBook 16+这样的笔记本安装Ubuntu双系统，你遇到的90%问题都源于几个关键认知盲区。本文将彻底拆解这些盲区，提供一套从原理到实践，再到深度排错的“保姆级”解决方案，确保你“一看就会”，且能举一反三。

1. 显卡驱动安装：为什么总在“简单”的事情上翻车？

很多人认为安装显卡驱动就是“下载、运行、重启”三步走。但现实是，驱动安装失败轻则导致图形界面丢失（进入tty命令行），重则造成系统无法启动（卡在加载界面）。其根本原因在于，显卡驱动是连接操作系统内核与GPU硬件的 内核模块 。它的安装过程深度介入系统核心，任何版本不匹配、依赖缺失或配置冲突，都会引发连锁反应。

从网络热词中我们可以看到几个高频痛点：

  • 版本地狱 ： pytorch版本、cuda版本与显卡驱动版本的对应关系 是深度学习开发者最头疼的问题。
  • 系统兼容性 ： ubuntu22.04安装显卡驱动进入tty报错 、 ubuntu下载完显卡驱动卡在加载界面 ，这些问题多源于Ubuntu自带的开源驱动 nouveau 与NVIDIA闭源驱动的冲突。
  • 硬件特异性 ：服务器显卡（如 3090 、 P40 ）、笔记本混合显卡（如 ThinkBook 16+ ）、老显卡（如 1050 ）各有各的坑。
  • 清理不彻底 ： ddu显卡驱动卸载官网 的热搜说明，Windows下驱动残留是万恶之源，Linux下同样需要彻底清理。

本文将围绕这些核心痛点，不仅给出操作命令，更解释每个命令背后的“为什么”，让你从被动排错变为主动预防。

2. 核心概念：驱动、CUDA、cuDNN与计算栈的关系

在动手之前，必须理清几个关键概念及其依赖关系。这是避免版本冲突的基础。

显卡驱动（Graphics Driver）

  • 是什么 ：让操作系统识别和控制GPU硬件的软件。对于NVIDIA显卡，即NVIDIA Driver。
  • 作用 ：提供基础的显示功能（图形界面）和通用的GPU计算能力。
  • 关键点 ：它是整个NVIDIA软件栈的基石。版本号形如 535.154.05 。

CUDA Toolkit

  • 是什么 ：NVIDIA推出的并行计算平台和编程模型。
  • 作用 ：为开发者提供API和工具链，用于编写在GPU上运行的通用计算程序（如深度学习训练、科学计算）。
  • 关键点 ：每个CUDA版本都要求 最低版本的显卡驱动 。例如，CUDA 12.1要求驱动版本>=530.30.02。

cuDNN

  • 是什么 ：NVIDIA深度神经网络库（CUDA Deep Neural Network library）。
  • 作用 ：为深度学习框架（如PyTorch、TensorFlow）提供高度优化的GPU加速原语。
  • 关键点 ：它依赖特定版本的CUDA Toolkit。版本选择必须严格匹配。

三者依赖关系 可以理解为： 深度学习框架（PyTorch） → 依赖 → cuDNN → 依赖 → CUDA Toolkit → 依赖 → NVIDIA显卡驱动 → 控制 → 物理GPU 。

这是一个严格的向下依赖链。安装顺序应该是： 先确定PyTorch/TensorFlow版本 → 查找对应的cuDNN版本 → 查找对应的CUDA版本 → 最后确定并安装满足要求的显卡驱动版本。

一个常见的版本对应表示例（请以 NVIDIA官方文档 为准）：

CUDA Toolkit 版本 所需最低驱动版本 (Linux x86_64) 主流PyTorch版本支持
CUDA 12.4 550.54.15 PyTorch 2.3+
CUDA 12.1 530.30.02 PyTorch 2.0+
CUDA 11.8 450.80.02 PyTorch 1.13+

3. 环境准备：安装前的关键检查清单

无论你在哪个系统上安装，以下检查都必须在执行安装命令前完成。这能避免80%的失败。

3.1 硬件与系统信息确认

首先，你需要确切知道自己的硬件和系统版本。

在Linux（如Ubuntu）上： 

# 1. 确认显卡型号
lspci | grep -i nvidia
# 输出示例：01:00.0 VGA compatible controller: NVIDIA Corporation GA106 [GeForce RTX 3060 Lite Hash Rate] (rev a1)

# 2. 确认系统架构和版本
uname -m && cat /etc/*release
# 确认是x86_64架构，以及Ubuntu是22.04还是24.04等。

# 3. 检查当前安装的驱动（如果有）
ubuntu-drivers devices
# 或
nvidia-smi
# 如果`nvidia-smi`命令不存在，说明驱动未安装。

在Windows上：

  • 按 Win + R ，输入 dxdiag ，在“显示”标签页查看显卡型号。
  • 或在设备管理器中查看“显示适配器”。

3.2 彻底卸载旧驱动（至关重要！）

这是解决大多数安装失败和系统启动问题的第一步。新旧驱动冲突是罪魁祸首。

对于Linux（Ubuntu/Debian）： 如果你的系统因为驱动问题已经无法进入图形界面（卡在加载页或进入tty），可以按 Ctrl + Alt + F2~F6 切换到其他tty终端登录进行操作。 

# 1. 禁用系统自带的nouveau开源驱动（NVIDIA驱动的主要冲突源）
sudo bash -c "echo -e 'blacklist nouveau\noptions nouveau modeset=0' > /etc/modprobe.d/blacklist-nouveau.conf"
sudo update-initramfs -u
# 完成后必须重启系统
sudo reboot

# 重启后，验证nouveau是否被禁用。再次进入系统（可能是tty），执行：
lsmod | grep nouveau
# 如果没有输出，则表示禁用成功。

# 2. 卸载所有已安装的NVIDIA相关软件包（如果之前安装失败或有旧版本）
sudo apt-get purge nvidia* cuda* libnvidia* -y
sudo apt-get autoremove -y
sudo apt-get autoclean -y

对于Windows： 强烈建议在安全模式下使用 DDU（Display Driver Uninstaller） 工具进行彻底清理。

  1. 从 ddu显卡驱动卸载官网 （如Guru3D网站）下载DDU。
  2. 进入Windows安全模式（启动时按F8或通过系统设置）。
  3. 运行DDU，选择“GPU”为“NVIDIA”，然后点击“清除并重启”。
  4. 重启后，系统将处于一个非常“干净”的显卡驱动状态。

3.3 确定正确的驱动版本

不要盲目安装最新版驱动。根据你的用途选择：

  • 仅用于显示和日常使用 ：安装Ubuntu仓库推荐的稳定版（ ubuntu-drivers devices 命令提示的 recommended 版本）或NVIDIA官网最新稳定版。
  • 用于CUDA和深度学习 ： 必须先确定你需要的CUDA版本，然后去 NVIDIA CUDA Toolkit Release Notes 查找该CUDA版本要求的最低驱动版本。 安装的驱动版本必须 等于或高于 这个要求。

例如，你需要CUDA 12.1，查表得知要求驱动版本>=530.30.02。那么你安装535、545版本的驱动都可以，但绝不能安装525版本。

4. Linux系统（以Ubuntu 22.04为例）安装NVIDIA驱动全流程

这里提供两种最主流、最可靠的方法： 使用系统仓库 和 使用官方.run文件 。方法一更简单，方法二更灵活、版本更新。

4.1 方法一：通过APT仓库安装（推荐新手）

这种方法由Ubuntu系统管理驱动更新，相对省心。 

# 步骤1：更新软件包列表并添加显卡驱动PPA（可选，可获得较新版本）
sudo apt update
sudo apt upgrade -y
# 添加Graphic Drivers PPA
sudo add-apt-repository ppa:graphics-drivers/ppa -y
sudo apt update

# 步骤2：查看可用的驱动版本
ubuntu-drivers devices
# 输出会列出所有可用驱动，并标出一个`recommended`版本。

# 步骤3：安装推荐的驱动版本（例如nvidia-driver-535）
sudo apt install nvidia-driver-535 -y
# 也可以安装`nvidia-driver-545`等具体版本。

# 步骤4：安装一些必要的头文件和库（为后续可能编译内核模块做准备）
sudo apt install linux-headers-$(uname -r) build-essential -y

# 步骤5：重启系统
sudo reboot

4.2 方法二：使用NVIDIA官方.run文件安装

当你需要特定版本（如服务器版驱动 xxx-server ），或仓库版本不满足CUDA要求时，使用此方法。 

# 步骤1：从NVIDIA官网下载对应版本的驱动安装包。
# 访问 https://www.nvidia.com/Download/index.aspx
# 选择你的显卡型号、操作系统（Linux 64-bit）、CUDA Toolkit版本（如果需要），下载得到`.run`文件，例如`NVIDIA-Linux-x86_64-550.54.15.run`。
# 假设下载到 ~/Downloads 目录

# 步骤2：赋予执行权限并运行安装程序
cd ~/Downloads
chmod +x NVIDIA-Linux-x86_64-*.run

# 步骤3：**关键步骤**：关闭图形界面，进入纯命令行模式。
# 如果是服务器，通常已在命令行下，跳过此步。
# 如果是桌面版，需要停止显示管理器（如gdm3, lightdm, sddm）。
sudo systemctl stop gdm3  # 根据你的显示管理器调整，也可能是`lightdm`或`sddm`
# 或使用init 3（对于使用systemd的系统，target是multi-user.target）
sudo systemctl isolate multi-user.target

# 步骤4：运行安装程序，并添加必要的参数以避免常见问题。
sudo ./NVIDIA-Linux-x86_64-*.run \
  --silent \           # 静默安装，使用默认选项
  --no-nouveau-check \ # 有时跳过nouveau检查（因为我们已经禁用了）
  --no-x-check \       # 安装时不进行X服务检查
  --no-opengl-files \  # 不安装OpenGL文件，避免与系统Mesa冲突（仅用于无图形界面的服务器时建议）
  --dkms               # 将驱动注册到DKMS，内核更新后自动重编译驱动模块（非常推荐！）

# 安装过程中，如果提示“32位兼容库”，除非有特殊需要，否则选择“No”。
# 如果提示“更新X配置文件”，选择“Yes”。

# 步骤5：安装完成后，重启系统并启动图形界面。
sudo reboot
# 或手动启动显示管理器
# sudo systemctl start gdm3

4.3 安装后验证

系统重启后，进行关键验证： 

# 1. 检查驱动是否加载及显卡状态
nvidia-smi

这是最重要的命令。成功输出应类似下图（文本格式），显示驱动版本、CUDA版本、显卡型号、温度、功耗及各进程GPU占用情况。 

+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 550.54.15              Driver Version: 550.54.15      CUDA Version: 12.4   |
|-----------------------------------------+----------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+======================+======================|
|   0  NVIDIA GeForce RTX 3060        Off |   00000000:01:00.0 Off |                  N/A |
| N/A   50C     P0             25W /  170W |       0MiB /  12288MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+----------------------+----------------------+

# 2. 检查当前正在使用的显卡驱动模块
lsmod | grep nvidia
# 应该有`nvidia`、`nvidia_uvm`、`nvidia_drm`等模块。

# 3. 检查图形界面是否使用了NVIDIA驱动
# 对于使用X11的系统（默认）：
glxinfo | grep "OpenGL renderer"
# 输出应包含“NVIDIA”字样，例如“NVIDIA GeForce RTX 3060/PCIe/SSE2”。
# 对于使用Wayland的系统，验证方式不同，可尝试：
# echo $XDG_SESSION_TYPE # 查看会话类型

5. Windows系统安装NVIDIA驱动最佳实践

Windows下的安装相对简单，但细节决定成败。

  1. 使用DDU彻底清理 ：如前文所述，在安全模式下使用DDU卸载旧驱动。这是解决一切安装异常、黑屏、掉帧问题的首要步骤。
  2. 下载正确的安装包 ：
    • 访问 NVIDIA官网下载页 。
    • 产品类型 ：根据用途选择。 GeForce 用于游戏和日常， Quadro / RTX / Tesla 用于专业图形和计算， NVIDIA RTX / Data Center 用于服务器。
    • 操作系统和位数 ：务必选择与你的Windows版本（如Windows 11 64位）完全匹配的选项。
    • 下载类型 ：选择 “Studio 驱动程序” 还是 “Game Ready 驱动程序” ？
      • Studio驱动 ：为创意应用（如Adobe系列、Blender、DaVinci Resolve）提供最佳稳定性和性能。推荐设计师、视频剪辑师、3D创作者使用。
      • Game Ready驱动 ：为新游戏提供性能优化和第一时间支持。推荐游戏玩家使用。
      • 对于深度学习开发者，两者皆可，但 Studio驱动通常更稳定 。
  3. 安装过程 ：
    • 运行下载的 .exe 文件。
    • 选择“自定义安装”（高级）。
    • 关键选项 ：
      • ✅ 勾选“执行清洁安装”。这会让安装程序在安装前删除现有设置。
      • 组件选择：通常全选即可。如果磁盘空间紧张，可以取消“HD Audio Driver”（显卡音频，通常不用）和“PhysX”（部分游戏物理引擎）。
      • 如果只为深度学习，不玩游戏，甚至可以只选“图形驱动程序”和“USB-C驱动”（如果有）。
    • 点击“下一步”完成安装并重启。

6. 疑难杂症深度排查：从tty报错到卡加载界面

当安装后出现问题时，不要慌张，按以下逻辑链排查。

6.1 问题：Ubuntu安装驱动后，无法进入图形界面，卡在加载页或进入tty。

这是最常见的问题，根本原因通常是 NVIDIA驱动与当前Linux内核或显示服务器不兼容 。

排查与解决步骤：

  1. 进入tty ：在卡住界面或登录界面，按 Ctrl + Alt + F2 （或F3-F6）切换到命令行终端，登录你的账户。
  2. 检查驱动安装状态 ： 
    nvidia-smi
    • 如果正常显示，说明驱动已安装且GPU识别正常。问题出在 显示服务器（Xorg/Wayland） 或 桌面环境 的配置上。
    • 如果报错（如 NVIDIA-SMI has failed because it couldn‘t communicate with the NVIDIA driver ），说明驱动内核模块未加载。
  3. 查看驱动模块加载日志 ： 
    dmesg | grep -i nvidia
# 或
journalctl -b | grep -i nvidia
    重点关注是否有“Failed”、“Error”、“unsupported module”等关键字。常见错误：
    • “NVRM: The NVIDIA GPU … is not supported by the NVIDIA driver” ：驱动版本太旧，不支持你的新显卡。需安装更新版本的驱动。
    • “Failed to load module nvidia-drm” ：可能与内核版本有关。
  4. 尝试重新配置 ： 
    # 重新生成内核initramfs并更新GRUB
sudo update-initramfs -u
sudo update-grub
sudo reboot
  5. 降级或升级内核 ：有时特定内核版本与驱动不兼容。可以尝试安装另一个LTS内核。 
    # 查看已安装内核
dpkg --list | grep linux-image
# 安装其他可用内核，例如5.15
sudo apt install linux-image-5.15.0-xx-generic
# 重启后，在GRUB界面选择“Advanced options”，尝试从其他内核启动。
  6. 终极方案：使用 nomodeset 内核参数临时启动 。
    • 在GRUB启动菜单，按 e 键编辑启动参数。
    • 找到以 linux 开头的一行，在行尾 quiet splash 后面添加 nomodeset 。
    • 按 Ctrl+X 或 F10 启动。这样系统会使用基础显示模式进入桌面，然后你可以尝试重装或更换驱动版本。

6.2 问题： nvidia-smi 显示的CUDA版本与安装的CUDA Toolkit版本不一致。

这是正常现象！ nvidia-smi 顶端显示的“CUDA Version”是 此驱动版本支持的最高CUDA运行时版本 ，不是你系统里安装的CUDA Toolkit版本。 例如，驱动版本535.154.05支持最高CUDA 12.2。即使你只安装了CUDA 11.8， nvidia-smi 也会显示12.2。你系统的实际CUDA版本由环境变量 PATH 和 LD_LIBRARY_PATH 决定，可通过 nvcc --version 查看。

6.3 问题：双显卡笔记本（如ThinkBook 16+）在Ubuntu下独显不工作或功耗高。

这类笔记本通常采用NVIDIA Optimus技术（混合显卡）。需要安装并配置 nvidia-prime 或使用 prime-select 工具。 

# 安装工具
sudo apt install nvidia-prime -y
# 查看当前使用的显卡
prime-select query
# 切换为NVIDIA显卡（高性能模式）
sudo prime-select nvidia
# 切换为集成显卡（省电模式）
sudo prime-select intel
# 或 on-demand (按需，推荐日常使用)
sudo prime-select on-demand
# 切换后需要注销或重启生效。

在“软件和更新”->“附加驱动”中，选择“使用NVIDIA On-Demand”模式也是一种配置方式。

7. CUDA与cuDNN的安装与版本管理

驱动安装好后，深度学习开发者需要安装CUDA Toolkit和cuDNN。

7.1 安装CUDA Toolkit（以Ubuntu为例）

强烈建议使用 runfile 本地安装方式，而不是 deb 网络安装，因为它更灵活，允许自定义安装路径和不安装驱动。

  1. 从 NVIDIA CUDA Toolkit Archive 下载对应版本的 runfile 文件。
  2. 执行安装， 切记不要安装自带的驱动 ！ 
chmod +x cuda_12.1.0_530.30.02_linux.run
sudo ./cuda_12.1.0_530.30.02_linux.run

在安装选项界面：

  • 按空格键取消勾选 Driver （因为我们已经安装了驱动）。
  • 确保 CUDA Toolkit 被选中。
  • 记住安装路径，默认是 /usr/local/cuda-12.1 。
  1. 配置环境变量： 
# 编辑 ~/.bashrc 文件
echo 'export PATH=/usr/local/cuda-12.1/bin${PATH:+:${PATH}}' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc
# 使配置生效
source ~/.bashrc
  1. 验证安装： 
nvcc --version
# 应输出你安装的CUDA版本，如12.1

7.2 安装cuDNN

  1. 从 NVIDIA cuDNN Archive 下载对应CUDA版本的cuDNN Library for Linux (x86_64) .tar 文件。需要注册NVIDIA开发者账号。
  2. 解压并复制文件到CUDA目录： 
# 假设下载文件为 cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz
tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-12.1/include/
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-12.1/lib64/
sudo chmod a+r /usr/local/cuda-12.1/include/cudnn*.h /usr/local/cuda-12.1/lib64/libcudnn*
  1. 验证（可选）： 
# 检查cuDNN版本
cat /usr/local/cuda-12.1/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

8. 最佳实践与工程建议

  1. 版本锁定与环境隔离 ：对于生产服务器，使用 apt-mark hold 锁定驱动和CUDA版本，防止意外升级导致服务中断。 

    sudo apt-mark hold nvidia-driver-535 cuda-toolkit-12-1

    对于开发环境，使用Docker或Conda进行环境隔离，每个项目使用独立的CUDA环境。

  2. 服务器安装注意事项 ：

    • 服务器通常无图形界面，安装驱动时务必添加 --no-opengl-files 参数。
    • 使用 dkms 确保驱动在内核更新后能自动重编译。
    • 安装后，将GPU设置为持久模式，避免GPU在无任务时重置，影响容器调度。 
    sudo nvidia-smi -pm 1

  3. 驱动降级与回滚 ：

    • Ubuntu下使用APT安装的驱动，可以直接安装旧版本包（如 nvidia-driver-470 ），系统会自动替换。
    • 使用 .run 文件安装的，需要先卸载（ sudo nvidia-uninstall ），再安装旧版本。
    • 在Windows下，如果新驱动有问题，可以在设备管理器中选择“回滚驱动程序”。

  4. 日志是你的朋友 ：任何安装失败，首先查看日志。

    • Linux: /var/log/nvidia-installer.log
    • Windows: C:\NVIDIA\DisplayDriver\ 下的日志文件夹。

  5. BIOS设置检查 ：对于笔记本或某些主板，确保BIOS中 Secure Boot 已 禁用 。Secure Boot会阻止加载未签名的内核模块（如某些第三方驱动），导致安装失败。

显卡驱动安装远不止是点击“下一步”。它是对你系统环境管理能力的一次考验。理解驱动与内核、CUDA、桌面环境的关系，掌握彻底清理、版本匹配和日志排查的方法，你就能从反复重装系统的困境中解脱出来。记住，稳定比新更重要，尤其是在生产环境中。建议将成功的驱动版本、CUDA版本组合记录下来，形成自己的“环境配置清单”，这将是你在面对新机器或系统崩溃时最宝贵的资产。

标签
#显卡驱动安装 #NVIDIA驱动 #CUDA版本
深度学习安装笔记（二）显卡、显卡驱动、CUDA 的关系以及显卡驱动升级
Spark__5的博客
03-30 1万+
显卡、显卡驱动、CUDA 的关系以及显卡驱动升级
CUDA详细安装及环境配置——环境配置指南 – CUDA+cuDNN+PyTorch 安装
2501_90350274的博客
05-14 5070
本文详细介绍了如何确定显卡支持的CUDA版本、选择对应的cuDNN版本，并逐步安装CUDA、cuDNN和PyTorch。首先，通过命令行输入nvidia-smi.exe查看显卡支持的CUDA版本。接着，根据CUDA版本选择对应的cuDNN版本并下载。然后，从NVIDIA官方网站下载CUDA安装包，按照提示进行安装，并检查是否安装成功。同样地，下载cuDNN安装包，解压后将文件拷贝到CUDA安装目录中，并通过命令行验证安装是否成功。最后，根据PyTorch官网的指引，选择合适的安装命令进行PyTorch的安装
[笔试] 线程和进程区别和联系。什么是“线程安全”？
知行天下
02-03 902
如果说，在操作系统中引入进程的目的，是为了使多个程序能并发执行，以提高资源利用率和系统吞吐量。那么，在操作系统中再引入线程，则是为了减少程序在并发执行时所付出的空间开销，使OS具有更好的并发性。 进程是作为拥有系统资源的基本单位，同时也是一个可独立调度和分派的基本单位（线程也是）。通常进程包含多个线程并为它们提供资源 线程安全：如果你的代码所在的进程中有多个线程在同时运行，而这
13. Linux上CUDA的安装
K2SO4的博客
11-15 8179
Linux的CUDA安装教程
线程和进程区别和联系。什么是“线程安全”？（2012.5.6百度实习）
weixin_34414650的博客
05-23 194
（1）如果说，在操作系统中引入进程的目的，是为了使多个程序能并发执行，以提高资源利用率和系统吞吐量。那么，在操作系统中再引入线程，则是为了减少程序在并发执行时所付出的空间开销，使OS具有更好的并发性。进程是作为拥有系统资源的基本单位，同时也是一个可独立调度和分派的基本单位（线程也是）。通常进程包含多个线程并为它们提供资源（2）线程安全：如果你的代码所在的进程中有多个线程在同时运行，而这些线程可能会...
线程概念，线程和进程的区别，线程安全
unique_IT的博客
03-17 389
线程的概念 以及 线程vs进程 线程控制，线程创建 线程终止，线程等待 线程分离 可重入VS线程安全
操作系统——线程与进程的区别与联系？什么是线程安全？
Be The Best！
12-27 2546
线程与进程的区别与联系？什么是线程安全？
NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南
热门推荐
深之JohnChen的专栏
03-09 4万+
1）NVIDIA 显卡驱动需满足 CUDA 工具包的最低要求，例如 CUDA 11.8 需驱动版本 ≥515.43.04，CUDA 12.x 需驱动 ≥535.54.03‌。‌CUDA 与 cuDNN‌：需严格匹配，例如 CUDA 11.8 对应 cuDNN 8.6.0，CUDA 12.2 对应 cuDNN 8.9.0‌。‌显卡算力与CUDA版本的关系主要体现在显卡的Compute Capability（算力）决定了支持的CUDA版本。，输入显卡型号和操作系统类型，选择≥目标CUDA版本要求的驱动版本‌。
Linux安装显卡驱动、annaconda和CUDA（超详细）
Billie使劲学的博客
08-02 4万+
下图安装过的显示，可以看到显卡驱动（Driver Version）的版本号为462.30.使用vim 打开这个文件后，将下面两行复制进去，然后光标移动到文件末尾，键入。你可以根据项目需要选择你要安装的CUDA版本（但是不要超过系统所支持的这个版本）。如果显示如下界面，就重启一下系统，如果还不显示可能就是安装失败了。显示如下，可以看到使用的系统未Ubuntu，版本号为 18.04。然后再 source ~/.bashrc 一下，更新一下变量。你会进入到如下界面，选择你需要的CUDA版本。
深度学习环境配置——Windows安装CUDA与CUDNN
tyyhmtyyhm的博客
03-19 1万+
凡事都要有统一和决断，因此成功不站在自信的一方，而站在有计划的一方。--拿破仑
CentOS8安装NVIDIA显卡驱动、CUDA和Anaconda
智慧的旋风的博客
03-26 1万+
CentOS8安装NVIDIA显卡驱动和CUDA 参考：CentOS nvidia+cuda+cudnn 安装 安装英伟达显卡驱动 1、检查是否安装了NVIDIA的GPU（硬件层面）： lspci | grep -i nvidia 2、安装GCC、kernal组件、dkms等 sudo yum install gcc sudo yum install gcc-c++ sudo yum -y install kernel-devel sudo yum -y install kernel-headers s
Ubuntu系统安装Nvidia显卡驱动、Cuda、Cudnn、Pytorch、Tensorflow
weixin_40428368的博客
07-31 5707
torch 笔记
基于SpringBoot+Vue校园失物招领系统的设计与实现
09-02
校园失物招领系统的设计与实现前端采用了Vue框架，并结合ElementUI来实现界面的设计与布局。后端采用了SpringBoot框架进行开发设计，并结合了Java语言和MySQL数据库来实现。在功能上分为了前端用户模块和管理员模块。前端用户模块主要实现了招领物品信息的发布、查询与管理，失物信息的发布、管理以及自动匹配招领物品，查看校园相关通知公告。管理员模块主要实现了物品分类管理、校园通知管理以及物品招领信息的查询统计等功能。校园失物招领系统的实现优化失物招领的流程，提高了校园失物招领的效率，促进了校园文化的建设，营造了良好的诚信氛围。
科技成果转化效率低怎么办？.docx
09-02
科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。
如何实现高校科技成果转化的高效对接？.docx
09-02
科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。
TinyML边缘智能振动诊断实战-ESP32完整工程-v1.0.zip
最新发布
09-02
无硬件可完整体验：固件内置信号合成模拟器（严格复现训练物理模型），串口发 S0~S3 切换 4 种机器故障 算子级正确性：用 inspect_model_ops.py 从 tflite 解析出实际算子（EXPAND_DIMS/CONV_2D/RESHAPE/MEAN/FC/SOFTMAX），固件注册逐一对应——规避了 TFLite Micro 最常见的 "Op type not found" 坑 诚实标注：文档中明确区分“合成演示数据 / 工程近似 / 实测值”，并给出接入真实数据的完整流程
产业园区如何搭建统一的科技服务平台？.docx
09-02
科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。
复现基于改进秃鹰算法的微电网群经济优化调度研究（Matlab代码实现）
09-02
内容概要：本文围绕“基于改进秃鹰算法的微电网群经济优化调度”展开研究，提出了一种改进的秃鹰搜索算法（BES），旨在解决微电网群在复杂运行环境下的多目标、强约束、非线性及高维经济调度问题。通过引入特定优化策略，增强了基础算法的全局搜索能力和收敛效率，克服了传统智能算法易陷入局部最优的缺陷。研究构建了一个包含分布式电源、储能系统与多元负荷的微电网群调度模型，以最小化系统综合运行成本为核心目标，综合考虑功率平衡、设备出力能力、储能运行特性等多重约束条件。通过仿真实验验证了所提算法在调度精度、稳定性和计算效率方面相较于传统方法具有明显优势，并进一步展示了其在降低能源开支、提升可再生能源消纳水平方面的实际应用价值。; 适合人群：具备一定电力系统基础知识或优化算法背景，从事新能源调度、智能优化算法研究与应用等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于微电网群、综合能源系统等场景下的经济调度优化；②为秃鹰算法及其他群体智能算法的改进、复现与性能对比提供参考范例；③服务于科研仿真、算法验证及工程化应用需求。; 阅读建议：建议读者结合文中提供的Matlab代码实现进行实践操作，重点关注算法改进机制与调度模型的构建逻辑，同时可借助网盘资源获取完整资料，以加深对算法性能表现与应用场景的理解。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值