$ uname -m && cat /etc/*release

$ sudo /usr/local/cuda-X.Y/bin/uninstall_cuda_X.Y.pl

使用以下命令卸载一个runfile 驱动安装:

$ sudo /usr/bin/nvidia-uninstall

使用下面的命令卸载一个RPM / Deb安装:

$ sudo apt-get --purge remove <package_name>          # Ubuntu

（2）软件包管理器安装  （不必看，安装的是 .run 文件）

我只介绍 Ubuntu 下的，其他操作系统的请自行查看。

《1》执行上面的预安装操作

《2》安装存储库元数据

注意：使用具有 aptitude 的代理服务器时，请确保在安装 cuda-repo 包之前，将 wget设 置为使用相同的代理设置。

$ sudo dpkg -i cuda-repo-<distro>_<version>_<architecture>.deb

《3》更新Apt存储库缓存

$ sudo apt-get update

《4》安装 CUDA

$ sudo apt-get install cuda

（3）额外的包管理器功能  （不必看，这些都什么鬼）

以下是用户可以利用的包管理器的一些附加功能。

《1》可用包

推荐的安装包是 cuda 包。此软件包将安装本机开发所需的全套其他 CUDA 软件包，并应涵盖大多数情况。
cuda软件包安装所有可用的软件包用于本地开发。这包括编译器，调试器，分析器，数学库...对于x86_64 patform，这还包括 NSight Eclipse Edition 和可视化分析器它还包括 NVIDIA 驱动程序包。
在支持的平台上，cuda-cross-armhf，cuda-cross-aarch64 和 cuda-cross-ppc64el 软件包分别将跨平台开发所需的所有软件包安装到 ARMv7，ARMv8 和 POWER8。还安装了目标架构的显示驱动程序包的库和头文件，以实现驱动程序应用程序的交叉编译。 cuda-cross <arch>软件包不安装本机显示驱动程序。
上述软件包安装的软件包也可以通过明确指定其名称来单独安装。可用包的列表可以通过以下方式获得：

$ cat /var/lib/apt/lists/*cuda*Packages | grep "Package:"      # Ubuntu

《2》套餐升级

cuda包指向CUDA工具包的最新稳定版本。 当有新版本可用时，请使用以下命令升级工具包和驱动程序：

$ sudo apt-get install cuda                                    # Ubuntu

cuda-cross <arch> 包也可以以相同的方式进行升级。
cuda-drivers 软件包指向 CUDA 存储库中最新的驱动程序版本。 当有新版本可用时，请使用以下命令升级驱动程序：

$ sudo apt-get install cuda-drivers                            # Ubuntu

某些桌面环境（例如GNOME或KDE）将在新软件包可用时显示通知警报。
为了避免任何自动升级，并将工具包安装锁定到X.Y版本，请安装 cuda-X-Y 或 cuda-cross <arch> -X-Y 软件包。
支持并排安装。 例如，要安装 X.Y CUDA 工具包和 X.Y + 1 CUDA 工具包，请安装 cuda-X.Y 和 cuda-X.Y + 1 软件包。

《3》元数据包

元数据包是不包含（或少量）文件但具有多个依赖关系的 RPM / Deb 软件包。 当您可能不知道所需软件包的详细信息时，它们用于安装许多 CUDA 软件包。 以下是元数据包的列表。

（4）运行文件安装  （重点）

本节介绍使用独立安装程序时 CUDA 的安装和配置。 独立安装程序是一个“.run”文件，是完全独立的。

《1》执行预安装操作。

《2》禁止 Nouveau 驱动

$ lsmod | grep nouveau

blacklist nouveau
options nouveau modeset=0

$ sudo update-initramfs -u

《4》验证新的驱动程序是否未加载

《5》运行安装程序并按照屏幕上的提示操作：

$ sudo sh cuda_<version>_linux.run

工具包和示例的默认安装位置为：

/usr/local/cuda 符号链接指向安装 CUDA Toolkit 的位置。此链接允许项目使用最新的 CUDA 工具包，无需任何配置文件更新。

《6》重新启动系统以重新加载图形界面。

《7》验证设备节点是否正确创建。

#!/bin/bash/sbin/modprobe nvidiaif [ "$?" -eq 0 ]; then# Count the number of NVIDIA controllers found.NVDEVS=`lspci | grep -i NVIDIA`N3D=`echo "$NVDEVS" | grep "3D controller" | wc -l`NVGA=`echo "$NVDEVS" | grep "VGA compatible controller" | wc -l`N=`expr $N3D + $NVGA - 1`for i in `seq 0 $N`; domknod -m 666 /dev/nvidia$i c 195 $idonemknod -m 666 /dev/nvidiactl c 195 255elseexit 1
fi/sbin/modprobe nvidia-uvmif [ "$?" -eq 0 ]; then# Find out the major device number used by the nvidia-uvm driverD=`grep nvidia-uvm /proc/devices | awk '{print $1}'`mknod -m 666 /dev/nvidia-uvm c $D 0
elseexit 1
fi

《8》执行安装后的操作

强制性操作

在安装CUDA Toolkit和Driver之前，必须采取一些措施。

$ export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}

另外，当使用 runfile 安装方法时，LD_LIBRARY_PATH 变量需要在 64 位系统上包含 /usr/local/cuda-8.0/lib64，或 32 位系统上的 /usr/local/cuda-8.0/lib
要更改64位操作系统的环境变量：

$ export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64\${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

要更改32位操作系统的环境变量：

$ export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib\${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

需要注意，使用带有runfile安装方法的自定义安装路径时，上述路径会发生变化。

$ cuda-install-samples-8.0.sh <dir>

该脚本与cuda-samples-8-0软件包一起安装。 cuda-samples-8-0软件包仅在/usr/local/cuda-8.0/samples中安装只读副本。

$ cat /proc/driver/nvidia/version

请注意，此命令在iGPU / dGPU系统上不起作用。

$ setenforce 0

从命令行作为超级用户。
运行 bandwidthTest 程序可确保系统和支持CUDA的设备能够正常通信。 其输出如图2所示。bandwidthTest CUDA示例的有效结果：

$ sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl

要卸载NVIDIA驱动程序，请运行nvidia-uninstall：

$ sudo /usr/bin/nvidia-uninstall

要启用 Nouveau 驱动程序，请删除在《2》禁止 Nouveau 驱动 部分中创建的黑名单文件，并按照该部分所述重新生成内核 initramfs/initrd。

Windows 下的安装 （以后再写）

参看：CUDA Installation Guide for Microsoft Windows、

三、ffmpeg对NVIDIA GPU的支持

（1）ffmpeg 安装

参看：ffmpeg再学习 -- Linux 安装说明

写的很清楚了，然后主要是 x264 和 mp3lame 需要下载安装。

再然后，写配置脚本：

#! /bin/bash
./configure \--enable-shared \--disable-static \--disable-yasm \--disable-doc \--enable-gpl \--enable-pthreads \--disable-w32threads \--disable-os2threads \--enable-debug  \--enable-nvenc \--enable-cuda \--enable-cuvid \--extra-cflags="-Invidia_sdk -I/usr/local/cuda-8.0/include" \--extra-ldflags="-Lnvidia_sdk -L/usr/local/cuda-8.0/lib64" \--enable-nonfree \--enable-libfreetype \--enable-libfontconfig \--enable-libnpp \--enable-gpl \--prefix=/usr/local/ffmpeg \--enable-libx264 \--enable-libmp3lame \

（2）FFmpeg 测试

参看： NVIDIA VIDEO CODEC SDK

里面就有说明硬编/解码的类型了，这里面还有一些性能比较。我就不一一说明了。

从硬件上来说，Nvidia GPU有一到多个编解码器(解码器又称硬件加速引擎)，它们独立于CUDA核。从视频格式上来说，编码支持H.264、H.265、无损压缩，位深度支持8bit、10bit，色域空间支持YUV 4:4:4和4:2:0，分辨率支持最高8K；解码支持MPEG-2、VC1、VP8、VP9、H.264、H.265、无损压缩，位深度支持8 bit、10bit、12bit，色域空间支持YUV 4:2:0，分辨率支持最高8K。Video Codec SDK已经被集成在ffmpeg工程中，但是ffmpeg对编解码器配置参数较少，如果需要充分的发挥编解码器特性，还需要直接使用SDK进行编程。

上述编解码的比较：

参看：说说4K硬解那些事儿【转自超能网】

（3）编解码器使用方法

参看：FFmpeg / libav

FFmpeg GPU HW加速的支持表：

将单个H.264解码为YUV
要将单个H.264编码的基本比特流文件解码为YUV，请使用以下命令：

FFMPEG: ffmpeg -vsync 0 -c:v h264_cuvid -i <input.mp4> -f rawvideo <output.yuv>
LIBAV: avconv -vsync 0 -c:v h264_cuvid -i <input.mp4> -f rawvideo <output.yuv>

将单个YUV文件编码为比特流
要将单个YUV文件编码为H.264 / HEVC比特流，请使用以下命令：
H.264

FFMPEG: ffmpeg -f rawvideo -s:v 1920x1080 -r 30 -pix_fmt yuv420p -i <input.yuv> -c:v h264_nvenc -preset slow -cq 10 -bf 2 -g 150 <output.mp4>
LIBAV: avconv -f rawvideo -s:v 1920x1080 -r 30 -pix_fmt yuv420p -i <input.yuv> -c:v h264_nvenc -preset slow -cq 10 -bf 2 -g 150 <output.mp4> 

HEVC (No B-frames)

FFMPEG: ffmpeg -f rawvideo -s:v 1920x1080 -r 30 -pix_fmt yuv420p -i <input.yuv> -vcodec hevc_nvenc -preset slow -cq 10 -g 150 <output.mp4>
LIBAV: avconv -f rawvideo -s:v 1920x1080 -r 30 -pix_fmt yuv420p -i <input.yuv> -vcodec hevc_nvenc -preset slow -cq 10 -g 150 <output.mp4>

转码单个视频文件
要执行1：1转码，请使用以下命令：

FFMPEG: ffmpeg -hwaccel cuvid -c:v h264_cuvid -i <input.mp4> -vf scale_npp=1280:720 -c:v h264_nvenc <output.mp4>
LIBAV: avconv -hwaccel cuvid -c:v h264_cuvid -i <input.mp4> -vf scale_npp=1280:720 -c:v h264_nvenc <output.mp4>

将单个视频文件转换为N个流
要执行1：N转码，请使用以下命令：

FFMPEG: ffmpeg -hwaccel cuvid -c:v h264_cuvid -i <input.mp4> -vf scale_npp=1280:720 -vcodec h264_nvenc <output0.mp4> -vf scale_npp 640:480 -vcodec h264_nvenc <output1.mp4>
LIBAV: avconv -hwaccel cuvid -c:v h264_cuvid -i <input.mp4> -vf scale_npp=1280:720 -vcodec h264_nvenc <output0.mp4> -vf scale_npp 640:480 -vcodec h264_nvenc <output1.mp4>

（4）实验

将一张图片循环20000次生成视频，一个是硬编码一个是软编码，比较它们运行时间。
# time ./ffmpeg -f image2 -stream_loop 20000 -i 1.jpg -vcodec h264_nvenc -b:v 200k -r 10 -s 1920x1080 -y 2.mp4
# time ./ffmpeg -f image2 -stream_loop 20000 -i 1.jpg -vcodec libx264 -b:v 200k -r 10 -s 1920x1080 -y 2.mp4

（5）软硬解码比较