anaconda.md

Anaconda

• 返回上层目录
• 下载安装anaconda
• 环境操作
  • 新建环境
  • 删除环境
  • 环境重命名
• Linux安装TensorFlow
  • 安装tensorflow2.5-gpu
    • 安装tensorflow-gpu
    • 根据tf-gpu版本找对应cuda和cudnn版本
    • 安装cuda
    • 安装cudnn
    • 查看安装的tensorflow能否使用gpu
  • 安装tensorflow2.1-gpu
  • 测试是否支持GPU
• 其他操作
  • 手动复制其他用户的anaconda
  • 删除anaconda里的pkgs文件下的包
  • ubuntu中手动安装nvidia显卡驱动
  • Nvidia30系列不再支持CUDA10.x

下载安装anaconda

下载最新版或指定版的anaconda：

清华大学开源软件镜像站

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2021.05-Linux-x86_64.sh

下好之后，进行安装：

sh Anaconda3-2021.05-Linux-x86_64.sh

激活conda

source ~/.bashrc或者. ~/.bashrc # 初始化conda环境 出现(base)则说明安装成功
# 后续就可使用下面的命令进入base或退出base
conda activate # 进入conda环境 出现(base)
conda deactivate # 退出conda环境

新建虚拟环境：

conda create -n tf2 python=3.8

配置国内镜像源：

第一次运行 conda config命令时，将会在用户的home目录创建.condarc配置文件，是一种可选的（optional）运行期配置文件，其默认情况下是不存在的。

（windows：C:\users\username\，linux：/home/username/）

conda config
# 第一条不行的话，就试试第二条
conda config --set show_channel_urls yes

添加清华镜像和中科大镜像，文件内容如下：

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - defaults
show_channel_urls: true

或者

# 配置国内源，方便安装Numpy,Matplotlib等
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
# 配置国内源，安装PyTorch用
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
# 显示源地址
conda config --set show_channel_urls yes

效果都一样。

关闭控制台窗口，重新打开才会重新加载配置。

如果有更好用的源，可以按照上面的格式继续增加。

查看conda信息

conda info

环境操作

查看已有的环境名

conda env list
# or
conda info --envs

新建环境

conda create -n tf2 python=3.8

注意：win7最高支持python3.8版本，3.9版本以上win7不支持。

删除环境

conda remove -n xxx --all

环境重命名

conda其实没有重命名指令，实现重命名是通过clone完成的，分两步：

• 先clone一份new name的环境
• 删除old name的环境

比如，想把环境rcnn重命名成tf

conda create -n tf --clone rcnn
conda remove -n rcnn --all

Linux安装TensorFlow

TensorFlow在2.0之前的GPU版本和CPU版本是分开的，TensorFlow在2.0后的版本不用区分GPU和CPU版本。

安装tensorflow2.5-gpu

本节默认安装的是Tensorflow2.5-GPU版本。其他版本安装方法也可以参考。

先下载安装Anaconda。

安装tensorflow-gpu

pip会自动给你安装最新的tensorflow-gpu版本

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu

如果pip安装失败怎么办，手动下载安装文件：

打开清华镜像源，找到tensorflow-gpu

下载pip安装时命令行里出现的版本，我这里是

tensorflow_gpu-2.6.0-cp38-cp38-manylinux2010_x86_64.whl (458.4 MB)

下载后在该文件目录下cmd输入（注意换成自己对应的名字）：

pip install tensorflow_gpu-2.6.0-cp38-cp38-manylinux2010_x86_64.whl

其实到这里tensorflow部分安装完了，接下来安装显卡部分的。

根据tf-gpu版本找对应cuda和cudnn版本

Tensorflow2.5 GPU相关配置一览

本文安装项目	版本
python	3.6-3.9（博主是3.7.0）
Tensorflow（CPU/GPU）	2.5.0
Cuda（GPU版本所需）	11.2
Cudnn（GPU版本所需）	v8.1.0（与Cuda版本匹配即可）

如果要安装其他版本亦可类似从→官网这里找。Tensorflow、Cuda和Cudnn版本必须对应好。

安装cuda

直接先安装CUDA，而不是先独立安装GPU驱动，在安装CUDA的过程中，会安装好相应的GPU驱动，省时省力，比较方便。

Cuda下载

点击上图红框后然后按下图操作：

按上图操作下载：

wget https://developer.download.nvidia.com/compute/cuda/11.2.0/local_installers/cuda_11.2.0_460.27.04_linux.run
sudo sh cuda_11.2.0_460.27.04_linux.run

如果你已经预装了nvidia驱动，可能会遇到这个问题：

Existing package manager installation of the driver found. It is strongly recommended that you remove this before continuing。

这时候选择只装cuda而不装驱动：

sudo sh cuda_11.2.0_460.27.04_linux.run --toolkit --silent --override

或者先删除现有的驱动然后再安装，具体见：

Error installing Cuda toolkit: Existing package manager installation of the driver found

Just run into this exact problem in Ubuntu18.04. And after some search, my solution is the following:

1. If you are sure that your driver version matches the cuda-toolkit version you are gonna install, refer to @domainxz answer, add --toolkit to only install toolkit and not to care about nvidia driver. Check this link for compatibility. (Scroll down to CUDA Driver table).
2. If you want CUDA to handle the compatibility problem for you, you need to uninstall your current drivers. Follow the instructions in the official documentation. After you entered the text screen after reboot, uninstall your previous Nvidia driver and run the cuda runfile. For Ubuntu 18.04, what I did and worked:

    sudo apt-get remove --purge nvidia\*
    sudo apt-get autoremove
    sudo sh cuda-*.run --silient --override

The official documentation is actually very detailed... Just make sure you follow each step and you should be fine.

也可以这样卸载：

1、查看系统中安装了哪些NVIDIA的驱动

sudo dpkg --list | grep nvidia-*

2、卸载NVIDIA驱动

可以直接在软件管理中卸载驱动（参考），同时也可以使用apt-get卸载NVIDIA驱动：

sudo apt-get --purge remove nvidia-*
# 也有的说用下面的命令进行卸载，我个人均有尝试，无碍
sudo apt-get --purge remove "*nvidia*"

添加环境变量

安装完之后，在.bashrc配置文件中添加环境变量

vim ~/.barshrc
export PATH=/usr/local/cuda-11.2/bin:$PATH 
export LD_LIBRARY_PATH=/usr/local/cuda-11.2/lib64:$LD_LIBRARY_PATH

使.bashrc生效：source .bashrc 。

测试cuda是否安装成功

查看版本信息：一般当你安装好cuda之后，可以输入nvcc -V查看安装cuda的版本信息。

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Mon_Nov_30_19:08:53_PST_2020
Cuda compilation tools, release 11.2, V11.2.67
Build cuda_11.2.r11.2/compiler.29373293_0

卸载cuda

如果安装cuda失败，或者是安装的版本不能够匹配，此时可能面临重新安装，同样也要卸载之前安装打cuda。

直接删除安装位置的cuda文件：

sudo rm -rf /usr/local/cuda
sudo rm -rf /usr/local/cuda-11.2

安装cudnn

Cudnn下载地址

有很多版本，选了个兼容Cuda 11.2，因为前面高版本出错问题多的缘故，最终选择出现早的版本

需要注册后下载，如果想从linux上直接线上下载，那么就请不要下载到本地，在下载前的最后一步复制下载地址，因为只有一次机会，在linux下载。或者下载到window，上传到linux上也行。

wget https://developer.download.nvidia.cn/compute/machine-learning/cudnn/secure/8.1.0.77/11.2_20210127/cudnn-11.2-linux-x64-v8.1.0.77.tgz?fIolTbf7p-EYtg1E2vyPHzxFoAdBgzd-6WmHkgOnq2Wvgt9QRehQXvqzYkQsKdxHPjqAVLFpW_90p3IMSF6XXifm7v1AY0NrYiEanPyNv7mDEaiq8uCI_bCMnTytKngNF-pXj_jHpIBtNyiRM6gwirh74pRTlHWmpR-CTN2d_RN9U8SXB12ohvy0T5k8RG3jYCkHPlHCULmnQA8YM9A

然后再把上面的名字改为原名：

mv cudnn-11.2-linux-x64-v8.1.0.77.tgz\?fIolTb...lHCU cudnn-11.2-linux-x64-v8.1.0.77.tgz

解压文件，解压后目录为cuda：

tar -xvf cudnn-11.2-linux-x64-v8.1.0.77.tgz

查看cuda安装路径

which nvcc
# 显示
# /usr/local/cuda-11.2/bin/nvcc

进入解压cudnn目录，拷贝文件到cuda目录，并更改文件权限

cd cuda/
sudo cp include/cudnn* /usr/local/cuda-11.2/include
sudo cp lib64/libcudnn* /usr/local/cuda-11.2/lib64
sudo chmod a+r /usr/local/cuda-11.2/include/cudnn*
sudo chmod a+r /usr/local/cuda-11.2/lib64/libcudnn*

删除刚才解压的cudnn目录

cd ~
rm -rf cuda

Linux到此安装结束。

对于Win系统：

• 把\cuda\bin\cudnn64_7.dll复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin目录下。
• 把\cuda\include\cudnn.h复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include目录下。
• 把\cuda\lib\x64\cudnn.lib复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64目录下。

查看安装的tensorflow能否使用gpu

conda activate tf2
python

在python中输入

import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())  # 返回true值代表GPU可用，返回false代表GPU不可用
print(tf.config.list_physical_devices('GPU'))

即可得知结果：

2.6.0
True
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

如果返回的结果里有这样的语句：

successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero

则意味着你的内核没有NUMA支持。你可以在这里和这里阅读关于NUMA的信息。

关于NUMA，粗略地说，如果你有双核CPU，它们都有自己的内存，并且必须通过较慢的QPI链接访问另一个处理器的内存。所以每个CPU +内存都是NUMA节点。

潜在地，你可以将两个不同的NUMA节点视为两个不同的设备，并将你的网络结构化以优化不同的节点内/节点间带宽

不过，我认为现在TF中没有足够的线路来执行此操作。检测也无法正常工作 - 我只是在装有2个NUMA节点的机器上尝试过，它仍然打印相同的消息并初始化为1个NUMA节点。

安装tensorflow2.1-gpu

具体参考：Centos7 安装Tensorflow2.1 GPU以及Pytorch1.3 GPU（CUDA10.1）

参照上述教程安装完之后，可能会出现一些问题，如：

关于import tensorflow出现的FutureWarning问题及解决

在安装完tensorflow-gpu之后，等不及进去python里试验一下是否装成功，结果第一个import tensorflow as tf便出现了如下问题：

FutureWarning: Passing (type, 1) or ‘1type’ as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / ‘(1,)type’.
_np_quint8 = np.dtype([(“quint8”, np.uint8, 1)])

解决办法：

对h5py进行升级：pip install h5py==2.8.0rc1，对numpy包进行降级：pip install numpy==1.6.0。

cuda 10.1下使用tensorflow-gpu 1.4报错解决办法

报错信息:

ImportError: libcublas.so.10.0: cannot open shared object file: No such file or directory

解决办法：cuda 10.1下使用tensorflow-gpu 1.4报错解决办法

测试是否支持GPU

import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())  # 返回true值代表GPU可用，返回false代表GPU不可用
print(tf.config.list_physical_devices('GPU'))

安装pytorch

检查显卡，安装CUDA和cuDNN，然后安装GPU版的pytorch。

使用nvidia-smi命令得到你的CUDA版本。

先到pytorch官网找到在你的操作系统、包、CUDA版本、语言版本下对应的安装脚本，官网地址为https://pytorch.org/get-started/locally/，直接根据你的实际情况选择pytorch安装包版本，然后复制页面自动生成的脚本进行安装。

说明：

• 电脑实际安装的CUDA版本不能比所选的CUDA版本更高。比如实际安装的是11.2版本，就不能选择11.3版本，必须等于或低于11.2版本，所以这里就选择10.2版本。CUDA可以兼容低版本。

  # CUDA 11.1
  pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html

• pip安装的时候，需要使用conda activate xxx先切换到对应环境，再使用pip，不然就安装到其他环境去了。

检查是否安装成功

等待下载完成，输入python进入环境，然后依次输入

import torch
print(torch.__version__)
torch.cuda.is_available()

如果都ok的话，就安装成功啦！

Windows安装TensorFlow

安装CUDA

参考：超详细GPU部署 （pytorch+tensorflow）

（1）看Nvidia控制面板里的驱动，比如是11.2.66，那就选择比它低但是最好最接近它的版本

cuda版本是向下兼容的！！并不一定要一一对应，比如，我电脑上看到的是CUDA 11.0，那可以下载驱动可以是安装CUDA10，CUDA9等以下版本，而CUDA11以上版本就不支持了。

点进去

发现最高支持11.2.66，那就选择比它低但是最好最接近它的CUDA版本。

还有一种方式：win+R打开cmd，输入nvidia-smi，即可看到支持的cuda版本是11.2

并且还能看到GPU驱动的版本号。根据这个链接查看所选的CUDA版本能装的最低GPU驱动版本：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html，具体如下图。由上图可知本机的GPU驱动版本号是460.89，所选的CUDA11.2要求的最低GPU版本号是460.82，所以CUDA11.2能在本机的GPU上运行。

（2）登录Cuda下载，选择11.2.0下载

选择11.2.0，点进去

等候下载完成。

（3）点击下载的安装包开始安装

选择自定义安装

下面的框可以都选上。

把Samples改成相同的目录下（提前先手动建好文件夹）。

安装成功。

打开环境变量可以看到cuda位置已经被配置到了环境变量里了。

重启电脑后输入nvcc -V后显示类似信息说明安装成功。

安装cuDNN

如果要安装TensorFlow或者Pytorch，可打开下面的网址查看于CUDA和cuDNN的对应版本关系。

cuDNN对照：https://blog.csdn.net/DuLNode/article/details/123428294，根据对照表下载相应版本的cuDNN。

cuDNN下载：https://developer.nvidia.com/rdp/cudnn-archive（CUDA与cuDNN有对应，在这个网址看清楚）。

cuDNN需要注册之后才能下载。

根据CUDA版本(11.2)选择cuDNN的版本，如下所示：

点进去后，选择Windows版本：

开始下载，等待下载完成。

压缩包解压后，一般长这样

每一个文件夹里都有一个文件。

接下来，我们要做的是打开我的电脑，具体路径如下图：

把下载的cuDNN解压缩后的三个文件夹里的内容，复制到CUDA路径下三个对应的文件夹里。与其说是安装CUDNN，还不如说是复制替换文件。

将CUDA的bin、include和lib路径添加到环境变量中：

CUDA与cuDNN版本安装结束！

验证CUDA安装成功的方法：Win+R打开终端，输入nvidia-smi，若能看到GPU型号，则表明驱动安装成功。

安装TensorRT

参考资料：

• ubuntu安装tensorrt

• windows上安装TensorRT

（1）提前安装好CUDA和CUDNN

具体方法前面已经说了。

（2）下载TensorRT

点击NVIDIA TensorRT Download，进入如下页面：

怎么选择版本：Nvidia CUDA, cuDNN, TensorRT，驱动以及架构之间的相互兼容关系

选择TensorRT 7（其实选8也行，也支持CUDA11.2，选7是因为7的例子里有uff的加载例子），勾选对钩，选择Windows平台，和CUDA11.2对应的TensorRT版本，具体如下图：

开始下载，等待下载完成。

下载的文件为：TensorRT-7.2.3.4.Windows10.x86_64.cuda-11.1.cudnn8.1。

（3）将头文件和库文件复制进CUDA，添加环境变量

• 将TensorRT-x.x.x.x\include中头文件copy到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v1x.x\include

• 将TensorRT-x.x.x.x\lib中所有lib文件copy到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v1x.x\lib\x64

• 将TensorRT-x.x.x.x\lib中所有dll文件copy到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v1x.x\bin

• 将C:\Program Files\TensorRT-8.5.1.7\lib添加进系统环境变量：

然后下载一个zlib包，解压缩后找到zlibwapi.dll文件，剪切到C:\Windows\System32位置下面（这是cudnn依赖的动态链接库）。这个存疑，先不安装。。

（4）安装用于python的uff和graphsurgeon包

如果你python已经安装了，那就不用了。若没有安装，就看下面：

# 切换到你使用的环境
conda activate your_env
# 进入C:\Program Files\TensorRT-8.5.1.7\uff
cd C:\Program Files\TensorRT-8.5.1.7\uff
# 安装python的uff包
pip install uff-0.6.9-py2.py3-none-any.whl
# 进入C:\Program Files\TensorRT-8.5.1.7\graphsurgeon
cd C:\Program Files\TensorRT-8.5.1.7\graphsurgeon
# 安装python的graphsurgeon包
pip install graphsurgeon-0.4.6-py2.py3-none-any.whl

（5）验证TensorRT是否安装好

进入C:\Program Files\TensorRT-7.2.3.4\samples\sampleUffMNIST中，用vs2017打开sampleUffMNIST.sln，如下图所示。

vs2017的配置参考下面的博客：

WIN11+CUAD11.2+vs2019+tensorTR8.6+Yolov3/4/5模型加速

运行时发现有错误，找了一会原因没找到，也没时间去弄了，就放弃了，错误如下：

其他操作

CUDA和cuDNN关系及查询命令

CUDA

CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。

cuDNN

cuDNN（CUDA Deep Neural Network library）：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。

总结

简单来说，CPU适合串行计算，擅长逻辑控制。GPU擅长并行高强度并行计算，适用于AI算法的训练学习 CUDA 是NVIDIA专门负责管理分配运算单元的框架 cuDNN是用于深层神经网络的gpu加速库

查询版本命令：

Linux:

cuda 版本 
nvcc -V
cat /usr/local/cuda/version.txt

cudnn 版本 
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

查看Nvidia GPU版本
nvidia-smi

//10s显示一次
watch -n 10 nvidia-smi

nvidia-smi -l

安装指定源和版本

conda install --channel https://conda.anaconda.org/anaconda tensorflow=2.1

更多参考见这里：Python之pip命令指定安装源和版本，简单摘录几个：

指定源：

pip install Flask -i http://pypi.douban.com/simple

指定版本：

pip install robotframework==2.8.7

anaconda各种源

对于win系统，在C:\Users\User\.condarc中写入；对于linux系统，在xxx中写入。

清华源：

show_channel_urls: true
channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/win-64
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/win-64

另外一种清华源：

channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
ssl_verify: true

ananconda不同机器离线移植

本节基于windows系统，场景是将A机器上的Anaconda移植到B机器上，因为A机器上的Anaconda安装了很多包，要一个一个包在B机器上安装简直是不太可能的。

Anaconda打包压缩与文件替换

（1）将C:\Users\xxx下的Anaconda文件夹打包压缩，并复制解压到B电脑的C:\Users\yourname路径下。

（2）将C:\Users\xxx\Anaconda文件夹和C:\Users\xxx\Anaconda\envs\tf1.4文件夹中的conda-meta文件夹和qt.conf文件复制到linux系统里，其内容分别如下：

conda-meta文件夹：

conda-meta文件夹中的json文件：

qt.conf文件：

可以看出，上述文件里均含有A电脑上的用户名，要想复制到B电脑上还能用，就需要把里面的A电脑用户名替换为B电脑上的用户名，方法如下所示：

在Linux系统中，在装有两个conda-meta文件夹和qt.conf文件的根目录下，打开终端，输入：

find ./ -name "*.json" | xargs sed -i "s/luwei/yourname/g"
find ./ -name "*.conf" | xargs sed -i "s/luwei/yourname/g"

如果提示出错，可试试下面的命令：

find ./ -name "*.json" | xargs sed -i "" "s/luwei/yourname/g"
find ./ -name "*.conf" | xargs sed -i "" "s/luwei/yourname/g"

然后用这两份conda-meta文件夹和qt.conf文件来替换B电脑中的对应文件夹和文件。

添加环境变量

在B电脑的环境变量的系统变量的Path中，添加：

C:\Users\yourname\Anaconda3
C:\Users\yourname\Anaconda3\Scripts
C:\Users\yourname\Anaconda3\Library\bin

手动复制其他用户的anaconda

注意，这种方法对于pip install安装的可能不能复制。

（1）复制并修改其他

切换到root用户，将其他用户的anaconda复制过来：

cp ../other_user/anaconda ./

然后赋予当前用户权限：

chown -R user ./anaconda

然后切换回当前用户，将其他用户的.bashrc复制到当前用户中覆盖。如果你并不是一个刚新建的用户，不想改变.bashrc中的其他变量，那么就只复制下面的内容，然后注意把其他用户的名字改成你自己的名字：

# >>> conda initialize >>>
# !! Contents within this block are managed by 'conda init' !!
__conda_setup="$('/home/other_user/anaconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
    eval "$__conda_setup"
else
    if [ -f "/home/other_user/anaconda3/etc/profile.d/conda.sh" ]; then
        . "/home/other_user/anaconda3/etc/profile.d/conda.sh"
    else
        export PATH="/home/other_user/anaconda3/bin:$PATH"
    fi
fi
unset __conda_setup
# <<< conda initialize <<<

让修改后的环境变量生效

source ~/.bashrc

然后退出当前shell窗口重新打开。which conda就会显示你的地址了。

（2）修改base环境中的可执行文件

cd ~/anaconda3/bin
sed -i 's/other_user/user/g' *

这个操作，会把bin文件夹下所有文件中第一行含有用户名的文件进行修改，改为当前用户名，

#!/home/other_user/anaconda3/bin/python
->
#!/home/user/anaconda3/bin/python

比如下面这些文件中都含有上述第一行内容。

/home/anaconda3/bin/conda
/home/anaconda3/bin/pip
/home/anaconda3/bin/conda-env

（3）修改所有虚拟环境中的可执行文件

比如修改虚拟环境下的可执行文件pip之后，进入虚拟环境后pip和python才可用。

分别进入到每个虚拟环境的bin文件中，将bin文件夹下所有文件中第一行含有用户名的文件进行修改，改为当前用户名，

cd ~/anaconda3/envs/gpu3070_enabled/bin
sed -i 's/other_user/user/g' *

即会修改为

#!/home/other_user/anaconda3/bin/python
->
#!/home/user/anaconda3/bin/python

比如下面这些文件中都含有上述第一行内容。

/home/anaconda3/envs/gpu3070_enabled/bin/pip

删除anaconda里的pkgs文件下的包

anaconda文件夹下有个pkgs文件夹。据我观测（没找到正式说明），里面是各种包的各个使用过的版本及压缩包。比如用conda update pandas，那在Lib\site-packages里会更新到新版本。但pkgs里既有新版本，也有旧版本。我推测是conda先把包下载到pkgs里，解压，然后更新site-packages里正式用到的包。所以这个pkgs里的东西能不能删？删了不就可以省很多空间了么？

可以通过命令行删除，

Google讨论组里推荐用conda clean -p删除未使用的的包；实际conda clean -a更强力些。

在Anaconda python中手动删除pkgs文件夹中的所有文件是否安全?

实际上，在某些情况下，可以选择除去 pkgs 子目录.如Anaconda社区支持在此处所述." pkgs 目录只是一个缓存.您可以将其完全删除.但是，在创建新环境时，将高速缓存中的所有程序包都留在周围效率更高."

根据文档，您可以使用 conda clean --packages 删除 pkgs 中未使用的软件包(这会将它们移动到 pkgs/.trash 中，然后可以从中安全删除它们).虽然这不会检查使用返回到程序包缓存的符号链接安装的程序包，但是如果您不使用此类环境或在Windows下工作，则不是主题.我想这就是 conda clean --all 中包含 conda clean --packages 的原因.

要更积极地节省空间，可以使用 conda clean --force-pkgs-dirs 删除所有可写程序包缓存(但要注意的是可能存在环境)与这些目录相关联).如果您不使用环境或在Windows下使用Anaconda，则可能很安全.就我个人而言，我使用此选项没有问题.

使用

conda clean -f

可以彻底删除下面两个pkgs的缓存：

Remove all contents from the following package caches?
  - C:\Users\user\Anaconda3\pkgs
  - C:\Users\user\AppData\Local\conda\conda\pkgs

ubuntu中手动安装nvidia显卡驱动

在官网下载Nvidia驱动

根据自己的型号下载：放在/Downloads下，以GPU型号RTX3090为例

nvidia驱动官网下载地址：Download Drivers | NVIDIA

删除旧NVIDIA驱动

安装之前先卸载已经存在的驱动版本：

sudo apt-get --purge remove nvidia*
sudo apt-get --purge remove "*nvidia*"
sudo apt-get --purge remove xserver-xorg-video-nouveau

屏蔽开源驱动nouveau

需要禁用nouveau，只有在禁用掉nouveau后才能顺利安装NVIDIA显卡驱动，禁用方法就是在 /etc/modprobe.d/blacklist-nouveau.conf文件中添加一条禁用命令，将Ubuntu自带的显卡驱动加入黑名单。

sudo vim /etc/modprobe.d/blacklist.conf

在文末添加以下内容保存：

blacklist nouveau
options nouveau modeset=0

注意此时还需执行以下命令使禁用nouveau真正生效：

sudo update-initramfs -u

重启系统（一定要重启）reboot

验证nouveau是否已禁用 lsmod | grep nouveau

没有信息显示，说明nouveau已被禁用，接下来可以安装nvidia的显卡驱动。

重启电脑，按Ctrl+Alt+F1进入命令行界面

重启之后,这里要尤其注意，安装显卡驱动要先切换到文字界面，(按Ctrl+Alt+F1~F6).所以，启动电脑后，先进入文字界面。

先输入用户名密码登录（数字不能用小键盘输入），然后

sudo service lightdm stop

如果提示unit lightdm.service not loaded，

则先安装LightDm：sudo apt install lightdm，安装完毕后跳出一个界面，选择lightdm，

再sudo service lightdm stop。

执行安装驱动

依然是在命令行界面：

cd Downloads
sudo chmod a+x NVIDIA-Linux-x86_64-470.63.01.run
sudo ./NVIDIA-Linux-x86_64-396.18.run -no-x-check -no-nouveau-check -no-opengl-files

-no-x-check：安装驱动时关闭X服务 -no-nouveau-check：安装驱动时禁用nouveau -no-opengl-files：只安装驱动文件，不安装OpenGL文件，只有禁用opengl这样安装才不会出现循环登陆的问题

后面就一路Accept就可以~

安装过程中的选项

• The distribution-provided pre-install script failed! Are you sure you want to continue?

  选择yes继续。

• Would you like to register the kernel module souces with DKMS? This will allow DKMS to automatically build a new module, if you install a different kernel later?

  选择no继续。

• 问题没记住，选项是：install without signing

• 问题大概是：Nvidia’s 32-bit compatibility libraries?

  选择no继续。

• Would you like to run the nvidia-xconfigutility to automatically update your x configuration so that the NVIDIA x driver will be used when you restart x? Any pre-existing x confile will be backed up.

  选择yes继续，最重要的一步，安装程序问你是否使用nv的xconfig文件，这里一定要选yes，否则在启动x-window时不会使用nv驱动。

这些选项如果选择错误可能会导致安装失败，没关系，只要前面不出错，多尝试几次就好。

重启X-window服务

依然是在命令行界面：

sudo service lightdm start

重启电脑进入BIOS关闭secure-boot

进入BIOS把 secure boot 选项关掉。

关掉secure boot的原因：如果 secure boot 是开启状态，内核不能安装自己定制的模块；

解决方法：我们进入BIOS 把 secure boot 选项关掉；secure boot 大概的作用时为了保护内核的启动安全。

linux secure boot状态查询：mokutil --sb-state

看的文章里有这么一个步骤，但是我并没用到，但是依然写在这里，目前用不到，但已备不时之需：

挂载Nvidia驱动： modprobe nvidia

ERROR: could not insert ‘nvidia’: Operation not permitted secure boot 的原因；如果 secure boot 是开启状态，内核不能安装自己定制的模块； 解决方法：我们进入BIOS 把 secure boot 选项关掉；secure boot 大概的作用时为了保护内核的启动安全； linux secure boot 状态查询：mokutil --sb-state 再次挂载 nvidia

查看是否挂载成功 nvidia-smi

如果开机黑屏，则按Ctrl+Alt+F1进入命令行界面，或者按两次Esc进入。

然后输入nvidia-smi。

则显卡挂载成功。

显卡挂载成功但黑屏无法进入图形化界面

首先确保NVIDIA显卡驱动安装成功：使用命令 sudo nvidia-smi

重装desktop来解决，按Ctrl+Alt+F1进入命令行方式，输入账户密码登入，输入命令

sudo apt uninstall ubuntu-desktop
sudo apt install ubuntu-desktop

删除再重新安装。

Ubuntu安装NVIDIA显卡驱动后可以进入命令行界面TYY1 ，但是无法进入图形界面。开机显示/dev/nvme0n1p8:clean

综合查找，最后认定是驱动安装不匹配的原因，最后的解决方法很简单，方法如下：

sudo rm /etc/X11/xorg.conf
sudo reboot

然后reboot重启，恭喜成功~

Nvidia30系列不再支持CUDA10.x

• Windows上

  Nvidia30xx系列不兼容CUDA10.x，而TendorFlow1.x又必须要CUDA10.x，在CUDA11.x上不能跑，所以Nvidia30xx系列就必须要用TensorFlow2.4及以上了。

• Linux上

  Linux上，TensorFlow有不同CUDA版本的。

参考资料

• Tensorflow2.5安装（安装问题，这一篇全解决）

“安装anaconda+tensorflow-gpu”参考了该博客。

• Ubuntu18.04安装NVIDIA显卡驱动

• ubuntu20.04安装NVIDIA显卡驱动 /dev/nvme0n1p8:clean

"ubuntu中手动安装nvidia显卡驱动"参考此博客

===

• 将nvidia-docker容器导出给其他人使用

装docker里的tensorflow可供参考。