NVIDA CUDA
Ubuntu服务器上的NVIDA CUDA
2017年11月3日
ubuntu server nvidia
在上一篇有关在Ubuntu上进行以太坊挖矿的文章中,我最后指出要获得NVIDIA的CUDA驱动程序需要花费什么。在某些应用程序中使用CUDA驱动程序可以进一步释放我的NVIDIA GTX 1070显卡的性能,特别是在进行以太坊挖矿时可以证明其改进。
这篇文章将演示CUDA驱动程序的两种安装方法:
- Ubuntu软件包存档
- NVIDIA套件档案
Ubuntu软件包存档
从存档安装非常简单快捷。所需要做的就是安装nvidia-cuda-toolkit软件包,它还将获取所有必需的CUDA库和工具:
sudo apt update
sudo apt install nvidia-cuda-toolkit
sudo shutdown -r now
重新启动后,要验证是否已安装CUDA驱动程序,可以通过以下三种方法来检查一切是否正常运行:
- 检查/ dev中是否存在nvidia *设备文件
- 使用nvcc命令显示已安装的驱动程序版本
- 运行nvidia-smi以获取有关设备的详细版本,例如电源和风扇信息,使用GPU的进程以及驱动程序版本。
这三个示例的输出如下:
$ ls /dev/nvidia*
/dev/nvidia0 /dev/nvidiactl /dev/nvidia-uvm
$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2015 NVIDIA Corporation
Built on Tue_Aug_11_14:27:32_CDT_2015
Cuda compilation tools, release 7.5, V7.5.17
$ nvidia-smi
Sat Oct 28 14:17:15 2017
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 384.90 Driver Version: 384.90 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 1070 Off | 00000000:01:00.0 On | N/A |
| 0% 49C P8 11W / 185W | 99MiB / 8110MiB | 0% Default |
+-------------------------------+----------------------+----------------------++-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 1170 G /usr/lib/xorg/Xorg 97MiB |
+-----------------------------------------------------------------------------+
NVIDIA封装档案
本节将寻求直接从NVIDIA本身下载库,以获取软件包的最新版本。NVIDIA repo还包含各种元数据包,使最终用户可以将安装限制为所需的库,运行时或工具包,而不是安装所有内容。
NVIDIA运行一个存储库,可以将其添加到apt,然后直接从中安装。使用此存储库意味着安装将保持最新。我将使用CUDA元软件包,该软件包将安装所有CUDA工具包和驱动程序软件包,并在发布新版本时进行升级:
echo "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/ /" | sudo tee /etc/apt/sources.list.d/cuda.list
sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub
sudo apt update
sudo apt install cuda
sudo shutdown -r now
最后一步是需要修改路径以指向二进制文件:
export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
测试CUDA
/ dev,nvcc和nvidia-smi的输出类似于下面的存档中的安装:
$ ls /dev/nvidia*
/dev/nvidia0 /dev/nvidiactl /dev/nvidia-modeset /dev/nvidia-uvm /dev/nvidia-uvm-tools
$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2017 NVIDIA Corporation
Built on Fri_Sep__1_21:08:03_CDT_2017
Cuda compilation tools, release 9.0, V9.0.176
$ nvidia-smi
Sat Oct 28 15:57:59 2017
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 384.90 Driver Version: 384.90 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 1070 Off | 00000000:01:00.0 On | N/A |
| 0% 41C P8 10W / 185W | 121MiB / 8110MiB | 0% Default |
+-------------------------------+----------------------+----------------------++-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 1181 G /usr/lib/xorg/Xorg 119MiB |
+-----------------------------------------------------------------------------+
此外,该软件包还附带了一些有趣的脚本,可在参考资料中找到/usr/local/cuda/extras/demo_suite
。
设备查询
$ /usr/local/cuda/extras/demo_suite/deviceQuery
./deviceQuery Starting...CUDA Device Query (Runtime API) version (CUDART static linking)Detected 1 CUDA Capable device(s)Device 0: "GeForce GTX 1070"CUDA Driver Version / Runtime Version 9.0 / 9.0CUDA Capability Major/Minor version number: 6.1Total amount of global memory: 8111 MBytes (8504868864 bytes)(15) Multiprocessors, (128) CUDA Cores/MP: 1920 CUDA CoresGPU Max Clock rate: 1797 MHz (1.80 GHz)Memory Clock rate: 4004 MhzMemory Bus Width: 256-bitL2 Cache Size: 2097152 bytesMaximum Texture Dimension Size (x,y,z) 1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)Maximum Layered 1D Texture Size, (num) layers 1D=(32768), 2048 layersMaximum Layered 2D Texture Size, (num) layers 2D=(32768, 32768), 2048 layersTotal amount of constant memory: 65536 bytesTotal amount of shared memory per block: 49152 bytesTotal number of registers available per block: 65536Warp size: 32Maximum number of threads per multiprocessor: 2048Maximum number of threads per block: 1024Max dimension size of a thread block (x,y,z): (1024, 1024, 64)Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)Maximum memory pitch: 2147483647 bytesTexture alignment: 512 bytesConcurrent copy and kernel execution: Yes with 2 copy engine(s)Run time limit on kernels: YesIntegrated GPU sharing Host Memory: NoSupport host page-locked memory mapping: YesAlignment requirement for Surfaces: YesDevice has ECC support: DisabledDevice supports Unified Addressing (UVA): YesSupports Cooperative Kernel Launch: YesSupports MultiDevice Co-op Kernel Launch: YesDevice PCI Domain ID / Bus ID / location ID: 0 / 1 / 0Compute Mode:< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 9.0, CUDA Runtime Version = 9.0, NumDevs = 1
Result = PASS
带宽测试
$ /usr/local/cuda/extras/demo_suite/bandwidthTest
[CUDA Bandwidth Test] - Starting...
Running on...Device 0: GeForce GTX 1070Quick ModeHost to Device Bandwidth, 1 Device(s)PINNED Memory TransfersTransfer Size (Bytes) Bandwidth(MB/s)33554432 12665.1Device to Host Bandwidth, 1 Device(s)PINNED Memory TransfersTransfer Size (Bytes) Bandwidth(MB/s)33554432 12916.1Device to Device Bandwidth, 1 Device(s)PINNED Memory TransfersTransfer Size (Bytes) Bandwidth(MB/s)33554432 190526.5Result = PASSNOTE: The CUDA Samples are not meant for performance measurements. Results may vary when GPU Boost is enabled.
NVIDA CUDA相关推荐
- 【centos】安装nvida CUDA平台附带安装cudnn库及TensorRT8
目录 1.安装 CUDAToolKit 2.安装cudnn库 3.附录:关于CUDA 4.英伟达GPU相关术语 1.安装 CUDAToolKit 使用 lspci | grep -i nvidia 列 ...
- 较真:认真解读“NVIDA CUDA显卡计算能力表”
博主在硬件设备方面还是个小白,近日想要知道深度学习应当选用哪些显卡,其性能如何?且网络上能搜到的GPU天梯图似乎都停留在以装机选配为目的的个人级别上,于是在本站试图搜索相关文章或者排行,看到有不少博主 ...
- NVIDA CUDA和cuDNN安装教程
文章目录 一. 查看自己的GPU版本是否支持cuda 二 .安装CUDA 三. 安装cuDNN 一. 查看自己的GPU版本是否支持cuda 打开显卡的控制面板,查看显卡是否支持cuda 二 .安装CU ...
- NVIDA CUDA显卡算力对照表
来源:https://developer.nvidia.com/cuda-gpus ![Quadro显卡计算能力 cuda和显卡版本对应关系
- NVIDA CUDA显卡计算能力 GeForce RTX 2060 compute_capability
2060的计算能力:compute_capability = 750,GPU: GeForce RTX 2060 下图为在测试训练数据时 打印的日志
- NVIDA CUDA显卡计算能力对应表
来自;https://developer.nvidia.com/cuda-gpus 1) CUDA-Enabled Tesla Products Tesla Workstation Products ...
- 使用Amazon Deep Learning AMI 快速实现 CUDA,cuDNN 和深度学习框架版本兼容
前言 在开展深度学习项目时,我们通常会选择合适的深度学习框架.使用深度学习框架进行模型开发,能减少大量的重复代码工作.目前最流行的深度学习框架有:TensorFlow,PyTorch,MXNect,C ...
- 使用 Amazon Deep Learning AMI 快速实现 CUDA,cuDNN 和深度学习框架版本兼容
在开展深度学习项目时,我们通常会选择合适的深度学习框架.使用深度学习框架进行模型开发,能减少大量的重复代码工作.目前最流行的深度学习框架有:TensorFLow,PyTorch,MXNect,Caff ...
- docker 配置使用宿主机的GPU(ubuntu16.04+cuda10.0+cudnn7)
1. 安装 Docker 卸载旧版本 Docker sudo apt-get remove docker docker-engine docker.io containerd runc 安装新版本 s ...
最新文章
- crud springmvc
- 正则表达式语法规则收集
- 全球半导体产业迁移 中国的机遇与挑战
- IDEA 2022.2.1 Beta 2发布:新增支持Java 18、增强JUnit 5的支持
- 由浅到深了解JavaScript类
- 怎么卸载旧版本java_卸载旧的java-jdk安装新版本jdk
- 卡罗林斯卡学院(Karolinska Institute)
- 用不好这七大工具,别说你懂项目管理!
- [zz]NoSQL对比:Cassandra vs MongoDB vs CouchDB vs Redis vs Riak vs HBase vs Membase vs Neo4j
- Extjs可视化设计视频教程三
- 上海区块链会议演讲ppt_如何确保会议高质量的演讲
- Golang在Linux环境下的POSIX风格socket编程
- python 自动登录网站_分析某网站,并利用python自动登陆该网站,下载网站内容...
- 华为USG6000V 多ISP接入Internet(基于ISP目的地址的多出口)
- FastAdmin 目录权限设置
- Web前端HTML+CSS全套(1~20)
- hdu 2066 一个人的旅行 (多源最短路 )
- JAVA面试算法小记
- 图像处理------图像加噪
- 初中计算机word试题,初中计算机会考word试题WORD15
热门文章
- 32位系统和64位系统的说明
- 从零开始的nrf52832蓝牙开发--蓝牙BLE主函数分析
- mpich2+gfortran+siesta3.1安装过程
- 【bpmn.js 使用总结】二、了解 bpmn-js 内部
- 《Densely Connected Convolutional Networks》论文心得
- 《物联网Android程序开发案例式教程》Demo4:模拟进度条
- 去耦电容的作用和原理
- 微信小程序因视频播放不合规问题解决
- 蜘蛛池到底有没有用?超级蜘蛛池
- M102: MongoDB for DBAs chapter 1 introduction学习记录