1，双系统下ubuntu重装：

1）删除

笔记本装的是win7+ubuntu14.04双系统，启动管理用的是easyBCD，重装ubuntu首先需要修复mbr，百度下载MBRFix.exe（或MBRFix64.exe），解压后放置在C盘根目录，win+R键打开命令行，输入cmd回车打开DOS，输入命令MbrFix /drive 0 fixmbr /win7 /yes，即可删除mbr，在easybcd的edit boot menu项中删除ubuntu启动项，重启电脑，之后右击计算机-管理-磁盘管理，找到之前为ubuntu分配的空间，右击删除卷。

2）重装

下载想要安装的ubuntu版本，用UltralSO制作U盘启动盘，简单快捷，百度搜索即可。做好之后电脑插入启动盘重启，开机中按F12，选择U盘启动，之后进入安装引导界面，地址：http://jingyan.baidu.com/article/eb9f7b6d8536a8869364e813.html，注意在安装时一般不要选择安装更新和第三方软件。安装完成之后进行更新即可。

2，TX1刷机：

此处可参考http://blog.csdn.net/Jalong_Ma/article/details/52743923，其中安装opencv3.0的部分可以忽略，直接选择安装opencv2.4.13版本即可。刷机过程中可能会在某些地方等待较长时间，耐心等待即可。

3，TX1配置caffe：

此处坑比较多，我第一次安装也是过程曲折

1）安装caffe环境：

$ sudo add-apt-repository universe
$ sudo apt-get update
$ sudo apt-get install cmake git aptitude screen g++ libboost-all-dev \
libgflags-dev libgoogle-glog-dev protobuf-compiler libprotobuf-dev \
bc libblas-dev libatlas-dev libhdf5-dev libleveldb-dev liblmdb-dev \
libsnappy-dev libatlas-base-dev python-numpy libgflags-dev \
libgoogle-glog-dev python-skimage python-protobuf python-pandas \
libopencv-dev

上面提到的每一项务必都保证正确安装之后再进行下一步，安装opencv时可能会提示有有些依赖项未安装，按提示安装之后即可。

2）caffe下载

此处参考了 http://blog.csdn.net/q6324266/article/details/52193076

不可下载英伟达自己的caffe，可用以下命令下载：

$ git clone https://github.com/BVLC/caffe.git

3）caffe 编译

首先修改配置文件，将caffe目录下自带的Makefile.config.examples文件改名为Makefile.config，去掉第五行的#号，即把#use_cudnn ：=1改为use_cudnn ：=1。

找到下面行：

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib

修改为：

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial/

保存退出。编译中如果出现

CXX src/caffe/solvers/nesterov_solver.cpp
CXX src/caffe/data_reader.cpp
CXX src/caffe/parallel.cpp
CXX src/caffe/solver.cpp
AR -o .build_release/lib/libcaffe.a
LD -o .build_release/lib/libcaffe.so.1.0.0-rc3
/usr/bin/ld: cannot find -lhdf5_hl
/usr/bin/ld: cannot find -lhdf5
collect2: error: ld returned 1 exit status
Makefile:566: recipe for target '.build_release/lib/libcaffe.so.1.0.0-rc3' failed
make: *** [.build_release/lib/libcaffe.so.1.0.0-rc3] Error 1

修改caffe里面的Makefile 文件（注意不是Makefile.config）
将里面的
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5

改为LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial

4）测试

用caffe自带的mnist进行测试，分别输入以下语句：

$ bash ./date/mnist/get_mnist.sh
$ bash ./examples/mnist/create_mnist.sh
$ bash ./examples/mnist/train_lenet.sh

运行成功说明caffe被成功安装。
如果出现以下提示

F0221 16:54:21.855986 11564 im2col.cu:49] Cuda kernel failed. Error: invalid device function
*** Check failure stack trace: ***
@ 0x7f2556cc1b4d google::LogMessage::Fail()
@ 0x7f2556cc5b67 google::LogMessage::SendToLog()
@ 0x7f2556cc39e9 google::LogMessage::Flush()
@ 0x7f2556cc3ced google::LogMessageFatal::~LogMessageFatal()
@ 0x463bf2 caffe::im2col_gpu<>()
@ 0x452031 caffe::ConvolutionLayer<>::Forward_gpu()
@ 0x41288f caffe::Layer<>::Forward()
@ 0x41c9be caffe::ConvolutionLayerTest_TestSimpleConvolution_Test<>::TestBody()
@ 0x43becd testing::internal::HandleExceptionsInMethodIfSupported<>()
@ 0x42dab1 testing::Test::Run()
@ 0x42db97 testing::TestInfo::Run()
@ 0x42dcd7 testing::TestCase::Run()
@ 0x432bdf testing::internal::UnitTestImpl::RunAllTests()
@ 0x43ba7d testing::internal::HandleExceptionsInMethodIfSupported<>()
@ 0x42d0da testing::UnitTest::Run()
@ 0x40f774 main
@ 0x318ae1ecdd (unknown)
@ 0x40f4c9 (unknown)

说明gpu未被成功配置，解决此问题需要重新编译caffe，

第一步：将已成功的caffe文件夹备份，按上面步骤重新下载caffe，做完caffe编译那一步后进行下面操作；

第二步：需要查看自己gpu的型号和型号对应的computer capability，NVIDIA常用GPU型号对应表如下

GPU	Compute Capability
Tesla K80	3.7
Tesla K40	3.5
Tesla K20	3.5
Tesla C2075	2.0
Tesla C2050/C2070	2.0
Tesla M40	5.2
Tesla K80	3.7
Tesla K40	3.5
Tesla K20	3.5
Tesla K10	3.0
Tesla M20xx	2.0
Quadro M6000 24GB	5.2
Quadro M6000	5.2
Quadro K6000	3.5
Quadro M5000	5.2
Quadro K5200	3.5
Quadro K5000	3.0
Quadro M4000	5.2
Quadro K4200	3.0
Quadro K4000	3.0
Quadro M2000	5.2
Quadro K2200	5.0
Quadro K2000	3.0
Quadro K2000D	3.0
Quadro K1200	5.0
Quadro K620	5.0
Quadro K600	3.0
Quadro K420	3.0
Quadro 410	3.0
Quadro Plex 7000	2.0
Quadro K6000M	3.0
Quadro M5500M	5.0
Quadro K5200M	3.0
Quadro K5100M	3.0
Quadro M5000M	5.0
Quadro K500M	3.0
Quadro K4200M	3.0
Quadro K4100M	3.0
Quadro M4000M	5.0
Quadro K3100M	3.0
Quadro M3000M	5.0
Quadro K2200M	5.0
Quadro K2100M	3.0
Quadro M2000M	5.0
Quadro K1100M	3.0
Quadro M1000M	5.0
Quadro K620M	5.0
Quadro K610M	3.5
Quadro M600M	5.0
Quadro K510M	3.5
Quadro M500M	5.0
NVIDIA NVS 810	5.0
NVIDIA NVS 510	3.0
NVIDIA NVS 315	2.1
NVIDIA NVS 310	2.1
NVS 5400M	2.1
NVS 5200M	2.1
NVS 4200M	2.1
NVIDIA TITAN X	6.1
GeForce GTX 1080	6.1
GeForce GTX 1070	6.1
GeForce GTX 1060	6.1
GeForce GTX TITAN X	5.2
GeForce GTX TITAN Z	3.5
GeForce GTX TITAN Black	3.5
GeForce GTX TITAN	3.5
GeForce GTX 980 Ti	5.2
GeForce GTX 980	5.2
GeForce GTX 970	5.2
GeForce GTX 960	5.2
GeForce GTX 950	5.2
GeForce GTX 780 Ti	3.5
GeForce GTX 780	3.5
GeForce GTX 770	3.0
GeForce GTX 760	3.0
GeForce GTX 750 Ti	5.0
GeForce GTX 750	5.0
GeForce GTX 690	3.0
GeForce GTX 680	3.0
GeForce GTX 670	3.0
GeForce GTX 660 Ti	3.0
GeForce GTX 660	3.0
GeForce GTX 650 Ti BOOST	3.0
GeForce GTX 650 Ti	3.0
GeForce GTX 650	3.0
GeForce GTX 560 Ti	2.1
GeForce GTX 550 Ti	2.1
GeForce GTX 460	2.1
GeForce GTS 450	2.1
GeForce GTS 450*	2.1
GeForce GTX 590	2.0
GeForce GTX 580	2.0
GeForce GTX 570	2.0
GeForce GTX 480	2.0
GeForce GTX 470	2.0
GeForce GTX 465	2.0
GeForce GT 740	3.0
GeForce GT 730	3.5
GeForce GT 730 DDR3,128bit	2.1
GeForce GT 720	3.5
GeForce GT 705*	3.5
GeForce GT 640 (GDDR5)	3.5
GeForce GT 640 (GDDR3)	2.1
GeForce GT 630	2.1
GeForce GT 620	2.1
GeForce GT 610	2.1
GeForce GT 520	2.1
GeForce GT 440	2.1
GeForce GT 440*	2.1
GeForce GT 430	2.1
GeForce GT 430*	2.1
GeForce GTX 980	5.2
GeForce GTX 980M	5.2
GeForce GTX 970M	5.2
GeForce GTX 965M	5.2
GeForce GTX 960M	5.0
GeForce GTX 950M	5.0
GeForce 940M	5.0
GeForce 930M	5.0
GeForce 920M	3.5
GeForce 910M	5.2
GeForce GTX 880M	3.0
GeForce GTX 870M	3.0
GeForce GTX 860M	3.0/5.0(**)
GeForce GTX 850M	5.0
GeForce 840M	5.0
GeForce 830M	5.0
GeForce 820M	2.1
GeForce 800M	2.1
GeForce GTX 780M	3.0
GeForce GTX 770M	3.0
GeForce GTX 765M	3.0
GeForce GTX 760M	3.0
GeForce GTX 680MX	3.0
GeForce GTX 680M	3.0
GeForce GTX 675MX	3.0
GeForce GTX 675M	2.1
GeForce GTX 670MX	3.0
GeForce GTX 670M	2.1
GeForce GTX 660M	3.0
GeForce GT 750M	3.0
GeForce GT 650M	3.0
GeForce GT 745M	3.0
GeForce GT 645M	3.0
GeForce GT 740M	3.0
GeForce GT 730M	3.0
GeForce GT 640M	3.0
GeForce GT 640M LE	3.0
GeForce GT 735M	3.0
GeForce GT 635M	2.1
GeForce GT 730M	3.0
GeForce GT 630M	2.1
GeForce GT 625M	2.1
GeForce GT 720M	2.1
GeForce GT 620M	2.1
GeForce 710M	2.1
GeForce 705M	2.1
GeForce 610M	2.1
GeForce GTX 580M	2.1
GeForce GTX 570M	2.1
GeForce GTX 560M	2.1
GeForce GT 555M	2.1
GeForce GT 550M	2.1
GeForce GT 540M	2.1
GeForce GT 525M	2.1
GeForce GT 520MX	2.1
GeForce GT 520M	2.1
GeForce GTX 485M	2.1
GeForce GTX 470M	2.1
GeForce GTX 460M	2.1
GeForce GT 445M	2.1
GeForce GT 435M	2.1
GeForce GT 420M	2.1
GeForce GT 415M	2.1
GeForce GTX 480M	2.0
GeForce 710M	2.1
GeForce 410M	2.1
Tegra X1	5.3
Tegra K1	3.2
Jetson TK1	3.2

我所用的TX1GPU所对应的compute capability为5.3；

第三步：打开Makefile.config文件，找到

CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \-gencode arch=compute_20,code=sm_21 \-gencode arch=compute_30,code=sm_30 \-gencode arch=compute_35,code=sm_35 \-gencode arch=compute_50,code=sm_50 \-gencode arch=compute_52,code=sm_52 \-gencode arch=compute_60,code=sm_60 \-gencode arch=compute_61,code=sm_61 \-gencode arch=compute_61,code=compute_61

检查是否包含自己GPU的型号，假如自己型号为35，则修改为：

CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \-gencode arch=compute_20,code=sm_21 \-gencode arch=compute_30,code=sm_30 \-gencode arch=compute_35,code=sm_35 \-gencode arch=compute_35,code=compute_35

其他型号以此类推，完成后保存退出；

第四步：用make all -j4命令重新编译caffe，成功后运行mnist测试。

TX1刷机以及配置caffe全备忘（Jetpack2.3+）相关推荐

TX1刷机+安装YOLOv3
参考网址: (1)https://blog.csdn.net/cgt19910923/article/details/80812184 (2)https://blog.csdn.net/c406495 ...
SDN(五) Netgear R6220从刷机到配置 OpenvSwitch交换机
1 引言积跬步以至千里,积怠情以至深渊. 本文将介绍在Netgear R6220路由器上进行基于OpenVswitch的openflow实验.路由器是刷了编译了OpenvSwitch的OpenWRT ...
Jetson TX2 arm板子刷机，安装Caffe
为什么80%的码农都做不了架构师?>>> 近期在做体态行为识别的项目,采购了一块Jetson TX2,拿过来板子上的系统和软件有点老,准备更新一下.ARM板子虽好,遍地是坑,记 ...
Jetson TX1 刷机（20221107亲测教程）完整程度⭐⭐⭐⭐⭐避免踩坑
AGX Orin看这里:(待更新) =========================================================================== SunnyG ...
Openwrt 刷机后配置WAN口，安装luci和设置中文、安装挂载USB存储。
官方版本的ROM编译时时没有把luci和uhttpd打包进去的,所以,要ssh登录到路由器后手动安装,默认用户名root,密码是空. 如果你的路由器是挂载在其他路由下面的,DHCP可以获取到IP,能正 ...
NVIDIA NX刷机，配置深度学习环境
买来的NVIDIA NX自带了一个sd卡和一个ssd卡,刚开始按照sdkmanager去安装系统,结果安装后发现装到了sd卡上,后又根据视频教程在ssd上安装了系统,最后配置了深度学习的环境,搭载了r ...
Nvidia Jetson TX1的刷机以及jetson inference的运行
在通过大半个月的不断尝试和网上攻略的查找,终于在TX1上完成了jetson-inference的运行.期间碰到了一些问题,这里一并给出相应的解决方式,但是每个人碰到的问题原因有很多,这里的方法仅供参考 ...
NX从刷机到更换开机logo
先看效果本文借鉴 NVIDIA NX刷机,配置深度学习环境_road_of_god的博客-CSDN博客_nx刷机 Jetson Xavier NX 镜像制作.烧录及克隆_顽强的磊头的博客-CSDN博 ...
华为C8650刷机过程(获得ROOT权限)
c8650刷机方需要几个步骤. 准备刷机工具,点击下面链接可以下载: Recovery4.0.1.4 C8650最新刷机包(rom)下载华为C8650手机驱动下载解压密码都为:w ...

TX1刷机以及配置caffe全备忘（Jetpack2.3+）