最后出現(xiàn)如下界面，表示安裝成功

安裝完成之后的路徑：

• /usr/local/cuda-11.6：Toolkit
• /usr/local/cuda-11.6/include：頭文件
• /usr/local/cuda-11.6/lib64：庫文件

13.4 配置環(huán)境變量

CUDA安裝完成之后需要添加一下環(huán)境變量，輸入如下指令打開配置文件：

sudo gedit ~/.bashrc

在最末尾添加如下內(nèi)容(將CUDA版本替換成你自己的)

export PATH=/usr/local/cuda-11.6/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

點(diǎn)擊保存退出，然后刷新一下

source ~/.bashrc

13.5 驗(yàn)證

環(huán)境變量配置完成后，在終端輸入如下指令，有對應(yīng)的輸出代表安裝成功：

nvcc --version

13.6 小結(jié)

CUDA的安裝流程其實(shí)并不復(fù)雜，難點(diǎn)在于兩個(gè)步驟，一是通過你的顯卡驅(qū)動找到對應(yīng)的CUDA版本，二是能否將外網(wǎng)的CUDA安裝包順利下載下來(需要代理)

14. cuDNN安裝

參考自linux安裝tensorflow，cuda，cudnn安裝，pytorch兼容，RTX30系列GPU兼容cuda

描述：本來想體驗(yàn)下kiwi一鍵安裝CUDA+cuDNN+TensorRT的，但現(xiàn)在還處于內(nèi)測階段，還未公測，等kiwi公測吧，只能先自己來了。cuDNN的安裝按照上面視頻的操作來就行，沒有問題，下面簡單過一遍流程。切記?。?！cuDNN的安裝依賴于CUDA的安裝，請務(wù)必安裝完CUDA后再來安裝cuDNN

14.1 cuDNN下載

cuDNN的版本選擇是根據(jù)CUDA版本來的，在前面CUDA的安裝中，我們選擇的是CUDA 11.6.0版本，依據(jù)此我們來安裝cuDNN

NVIDIA官網(wǎng)cuDNN下載鏈接：https://developer.nvidia.com/rdp/cudnn-archive

打開上面的鏈接，會出現(xiàn)如下的界面(可能需要登陸，可以先注冊一個(gè)NVIDIA賬號，也不麻煩)

根據(jù)你的CUDA版本選擇對應(yīng)的cuDNN即可，CUDA 11.x代表CUDA11版本的都支持，博主這里選擇的是Download cuDNN v8.4.0 (April 1st, 2022), for CUDA 11.x，如下所示，點(diǎn)擊之后選擇對應(yīng)的平臺安裝包下載就行，如下面紅色框所示，選擇的是Linux，Ubuntu，x86_64的Tar安裝包

注意?。?！訪問的是外網(wǎng)，下載慢，最好是開代理

14.2 cuDNN安裝

首先檢查下前面下載的安裝包，看下安裝包名，博主下載的安裝包名為cudnn-linux-x86_64-8.4.0.27_cuda11.6-archive.tar.xz，首先看linux-x86_64即安裝的系統(tǒng)沒有問題，其次看cuda11.6是依賴的cuda版本也沒有問題，檢查完畢后下面我們開始安裝工作?????

首先cd到安裝包所在目錄，進(jìn)行解壓，執(zhí)行如下指令：

tar -xf cudnn-linux-x86_64-8.4.0.27_cuda11.6-archive.tar.xz

等待解壓完成，解壓完成之后在目錄下有一個(gè)cudnn-linux-x86_64-8.4.0.27_cuda11.6-archive文件夾，這個(gè)文件夾中又包含include和lib兩個(gè)文件夾，分別代表cuDNN頭文件和cuDNN庫文件。

cuDNN非常簡單，就是將這兩個(gè)文件中的所有內(nèi)容復(fù)制到CUDA對應(yīng)的文件夾中，我們來看下接下來的操作

首先輸入如下指令，打開一個(gè)超級窗口(直接復(fù)制權(quán)限不夠)：

sudo nautilus

• 在超級窗口中找到之前安裝好的CUDA路徑，在/usr/local/cuda-11.6
• 將cudnn解壓包中include文件全部復(fù)制到/usr/local/cuda-11.6/include中
• 將cudnn解壓包中lib文件全部復(fù)制到/usr/local/cuda-11.6/lib64中

至此，cuDNN的安裝完畢

14.3 小結(jié)

cuDNN的安裝流程其實(shí)并不復(fù)雜，其實(shí)都不能稱之為安裝，就是根據(jù)CUDA版本找到對應(yīng)的cuDNN版本，下載后把其頭文件和庫文件復(fù)制到對應(yīng)CUDA目錄即可。難點(diǎn)在于兩個(gè)步驟，一是通過你的CUDA版本找到對應(yīng)的cuDNN版本，二是能否將外網(wǎng)的cuDNN安裝包順利下載下來(需要代理)

15. TensorRT安裝

參考自Linux安裝TensorRT、Ubuntu20.04安裝TensorRT

描述：本來想體驗(yàn)下kiwi一鍵安裝CUDA+cuDNN+TensorRT的，但現(xiàn)在還處于內(nèi)測階段，還未公測，等kiwi公測吧，只能先自己來了。TensorRT的安裝按照上面視頻的操作來就行，沒有問題，下面簡單過一遍流程。切記?。。ensorRT安裝的版本依賴于CUDA和cuDNN的版本，請先確認(rèn)下CUDA和cuDNN版本

15.1 TensorRT下載

TensorRT的版本是根據(jù)CUDA版本和cuDNN版本來的，在前面的CUDA的安裝中，我們選擇的是CUDA 11.6.0版本，依據(jù)此來安裝TensorRT

NVIDIA官網(wǎng)TensorRT下載鏈接：https://developer.nvidia.com/nvidia-tensorrt-8x-download

打開上面的鏈接，會出現(xiàn)如下的界面(需要登陸，可以先注冊一個(gè)NVIDIA賬號，也不麻煩，可能需要開代理)

登陸完成之后，可以看到下面的界面，點(diǎn)擊**I Agree To the Terms of the …**即下面的紅色框，就可以顯示各種TensorRT版本(其中GA版本=>穩(wěn)定版本 EA版本=>測試版本)，

點(diǎn)開之后就是對應(yīng)TensorRT版本的各種形式的安裝包(包名有提示適合的對應(yīng)的CUDA版本)，比如博主選擇的是TensorRT 8.4 GA，選擇的是x86_64架構(gòu)，系統(tǒng)是Linux操作系統(tǒng)，下載形式選擇壓縮包形式(即TAR Package)下載，適用于CUDA 11.6版本，即TensorRT 8.4 GA for Linux x86_64 and CUDA 11.0, 11.1, 11.2, 11.3, 11.4, 11.5, 11.6 and 11.7 TAR Package，如下面的紅色框所示。

注意?。?！訪問的是外網(wǎng)，下載慢，最好是開代理

15.2 TensorRT安裝

首先檢查下前面下載的安裝包，看下安裝包名，博主下載的安裝包為TensorRT-8.4.1.5.Linux.x86_64-gnu.cuda-11.6.cudnn8.4.tar.gz，首先看Linux.x86_64即安裝的系統(tǒng)沒有問題，其次看cuda-11.6是依賴的cuda版本也沒有問題，最后看cudnn8.4是依賴的cudnn版本也沒有問題，檢查完畢后下面我們開始安裝工作?????

首先cd到安裝包所在目錄，進(jìn)行解壓，執(zhí)行如下指令：

tar zxf TensorRT-8.4.1.5.Linux.x86_64-gnu.cuda-11.6.cudnn8.4.tar.gz

等待解壓完成。解壓完成之后在目錄下有一個(gè)TensorRT-8.4.1.5的文件夾

可以移動該文件夾存放在自己想放的目錄下(也可以重命名)，如：

mv TensorRT-8.4.1.5 /opt

至此，TensorRT安裝完成

15.3 配置環(huán)境變量

TensorRT安裝完成之后需要添加一下環(huán)境變量，輸入如下指令打開配置文件：

sudo gedit ~/.bashrc

在最末尾添加如下內(nèi)容(將TensorRT版本替換成你自己的)

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/TensorRT-8.4.1.5/lib${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export PATH=/opt/TensorRT-8.4.1.5/bin${PATH:+:${PATH}}

點(diǎn)擊保存退出，然后刷新一下

source ~/.bashrc

15.4 驗(yàn)證

測試代碼：/opt/TensorRT-8.4.1.5/samples/sampleMNIST

在安裝的tensorRT目錄下samples文件夾下用sampleMNIST示例測試

首先進(jìn)入該文件夾

cd /opt/TensorRT-8.4.1.5/samples/sampleMNIST

編譯

make

如下圖所示

編譯成功后執(zhí)行如下指令會有對應(yīng)的結(jié)果輸出：

./../../bin/sample_mnist

15.5 小結(jié)

TensorRT的安裝流程其實(shí)并不復(fù)雜，其實(shí)都不能稱之為安裝，就是根據(jù)CUDA版本找到對應(yīng)的TensorRT版本，下載后添加下環(huán)境變量即可。難點(diǎn)在于兩個(gè)步驟，一是通過你的CUDA版本找到對應(yīng)的TensorRT版本，二是是否能將外網(wǎng)的TensorRT安裝包順利下載下來(需要代理)

16. 編譯protobuf

參考自Linux下編譯protobuf、Linux下添加protobuf的環(huán)境變量

描述：由于要經(jīng)常使用到tensorRT_Pro這個(gè)repo，因此需要編譯特定版本的protobuf-3.11.4，編譯流程看我下面的即可

16.1 安裝

首先獲取壓縮包，通過我提供的軟件安裝包下載鏈接，里面就有protobuf-3.11.4

解壓

先cd到安裝包路徑，然后解壓，指令如下：

unzip protobuf-3.11.4.zip

編譯

cd protobuf-3.11.4/cmake
cmake . -Dprotobuf_BUILD_TESTS=OFF
cmake --build .

耐心等待編譯完成(需要一段時(shí)間)

創(chuàng)建安裝目錄

我們先要?jiǎng)?chuàng)建一個(gè)文件用于存放安裝后的protobuf的頭文件和庫文件，我們選擇在/home目錄下創(chuàng)建一個(gè)protobuf文件，指令如下：

mkdir protobuf

安裝

安裝的位置選擇上面創(chuàng)建的protobuf路徑即可，指令如下：

make install DESTDIR=/home/jarvis/protobuf

注意：編譯完成后的protobuf文件夾下僅僅只有一個(gè)user一個(gè)文件夾，需要將編譯好的protobuf/user/local下的bin、include、lib文件夾復(fù)制到protobuf當(dāng)前文件夾下，方便后續(xù)tensorRT_Pro項(xiàng)目的CMakeLists.txt的指定。

16.2 環(huán)境變量的配置

首先打開配置文件，指令如下：

sudo vim /etc/profile

添加如下內(nèi)容保存并退出(注意路徑修改為自己的路徑)

export PATH=$PATH:/home/jarvis/protobuf/bin
export PKG_CONFIG_PATH=/home/jarvis/probobuf/lib/pkgconfig

source生效

source /etc/profile

配置動態(tài)路徑

sudo vim /etc/ld.so.conf

追加如下內(nèi)容(注意路徑修改為自己的路徑)

/home/jarvis/protobuf/lib

驗(yàn)證

protoc --version輸出對應(yīng)版本信息說明安裝成功

17. Pytorch安裝

參考自Ubuntu20.04深度學(xué)習(xí)環(huán)境：CUDA+Pyotrch+Anaconda+VScode、Pytorch-gpu安裝教程

描述：本次介紹pytorch-gpu版本安裝，在安裝GPU版本的pytorch之前，請先確保你安裝了顯卡驅(qū)動，安裝GPU版本的Pytorch只需要你擁有一張顯卡和對應(yīng)的顯卡驅(qū)動即可。切記！?。ytorch的安裝依賴于顯卡驅(qū)動和Anaconda的安裝，請務(wù)必安裝完顯卡驅(qū)動和Anaconda后再來安裝Pytorch

17.1 介紹

首先我們來明確一個(gè)概念，那就是安裝GPU版本pytorch之前需不需要安裝cuda和cudnn呢？，答案是不需要。以下內(nèi)容copy自一文搞懂PyTorch與CUDA那些事

許多同學(xué)誤以為Pytorch和Tensorflow一樣，運(yùn)行時(shí)需要本機(jī)環(huán)境內(nèi)的CUDA和cuDNN支持，但其實(shí)在一臺沒有安裝CUDA的環(huán)境中按照官網(wǎng)的指南安裝PyTorch也是可以正常在GPU上運(yùn)行的。

安裝GPU版本的PyTorch版本號尾部會出現(xiàn)cuxxx的字樣，也就是說，PyTorch在安裝時(shí)會自動安裝所需的CUDA運(yùn)行庫，用戶只需要保持PyTorch版本（包含其內(nèi)部的CUDA版本）、Nvidia驅(qū)動版本和GPU型號相匹配。

CUDA版本與驅(qū)動版本對應(yīng)關(guān)系見下面的鏈接(查看表3即可)：

https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

通常情況下，只要驅(qū)動滿足要求，并且PyTorch官方有預(yù)編譯相應(yīng)的CUDA版本，直接安裝對應(yīng)版本的PyTorch即可。

注意：安培（Ampere）架構(gòu)GPU(GeForce RTX 30系列顯卡，例如RTX3060)只支持CUDA11.0即以上版本，PyTorch官方只有1.7及以上版本才有預(yù)編譯CUDA11，因此建議使用安培架構(gòu)GPU的同學(xué)使用PyTorch1.7及以上版本

17.2 準(zhǔn)備工作

首先確認(rèn)下安裝的Pytorch版本及其指令。先要查看顯卡驅(qū)動版本和其對應(yīng)的CUDA版本，第13節(jié)有詳細(xì)流程，這里不再贅述，博主的顯卡驅(qū)動為510.108.03，CUDA版本最高支持CUDA 11.6，因此我安裝的GPU版本的Pytorch中的CUDA運(yùn)行庫大于11.0且小于等于11.6都可以。

因此去Pytorch官網(wǎng)：https://pytorch.org/ 找一個(gè)適合我的版本，我選擇從歷史版本中尋找，如下圖所示：

根據(jù)我的CUDA版本限制，我找到了一個(gè)torch版本為v1.12.0，其pip安裝指令如下：

pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu116

pytorch的版本確定了，那對于python版本有沒有要求呢？其實(shí)是有的，比如說你的torch-1.12.0+cu116就不能安裝在python3.6下，具體可查看torch的各種whl文件

torch和對應(yīng)python版本查看鏈接：https://download.pytorch.org/whl/torch/

點(diǎn)擊上面的鏈接，你就可以看到所有的torch安裝包，注意！?。∥覀儾⒉皇且螺d安裝，我們只是來確認(rèn)下torch-1.12.0+cu116對應(yīng)的python版本，點(diǎn)擊鍵盤上的ctrl+f輸入cu116就可以找到對應(yīng)CUDA11.6版本的torch了，如下圖所示：

其中cu116就是對應(yīng)CUDA-11.6，cp-38-cp-38就是對應(yīng)python-3.8版本，因此，從上圖的紅色框中可知，torch-1.12.0+cu116可以安裝的python版本為3.7/3.8/3.9/3.10均可，大家根據(jù)自己的實(shí)際情況來進(jìn)行選擇

17.3 安裝

1.創(chuàng)建虛擬環(huán)境

conda create -n yolov8 python=3.8

其中，yolov8為虛擬環(huán)境名，可以自己設(shè)置，python版本如果不指定默認(rèn)安裝最新的，而在之前的分析中，我們知道了后續(xù)的torch-1.12.0+cu116的安裝對應(yīng)的python版本為3.7/3.8/3.9/3.10，因此我們指定創(chuàng)建的虛擬環(huán)境的python版本為3.8

2.切換到新建虛擬環(huán)境下

conda activate yolov8

3.查看對應(yīng)的pip源

pip config list

確保pip安裝的源是清華源或阿里云的源，可以查看2.2小節(jié)的pip換源，也可以在每次pip install軟件的時(shí)候加上-i https://pypi.tuna.tsinghua.edu.cn/simple，不過這樣比較麻煩，博主輸入pip coinfig list后的輸出如下

global.index-url='https://pypi.tuna.tsinghua.edu.cn/simple'

4.輸入選擇的安裝命令

pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu116

安裝包很大，耐心等待安裝完成即可，如下圖所示

特別注意！??！如果安裝失敗，則可以將創(chuàng)建的虛擬環(huán)境完全移除，重新在pytorch官網(wǎng)選擇一個(gè)合適的torch安裝指令，按照上面步驟重新來過，移除指令如下：

conda activate base
conda remove -n pytorch-gpu --all

17.4 驗(yàn)證

1.激活虛擬環(huán)境

conda activate yolov8

2.進(jìn)入python環(huán)境

python

3.導(dǎo)入torch

import torch
torch.cuda.is_available()

輸出為True，說明安裝成功，如下圖所示：

18. 編譯OpenBLAS

描述：最近在學(xué)習(xí) Algo C++ 課程時(shí)需要使用到 OpenBLAS 第三方庫，因此需要編譯該庫方便后續(xù)使用，編譯流程看我下面的即可

OpenBLAS介紹：OpenBLAS 是一個(gè)快速的、開源的、高性能的基礎(chǔ)線性代數(shù)庫，其主要提供矩陣運(yùn)算相關(guān)的函數(shù)和 API。OpenBLAS 支持一些常見的矩陣運(yùn)算，如矩陣相乘、矩陣向量相乘、矩陣的轉(zhuǎn)置、求解線性方程組、特征值分解等等，其內(nèi)部實(shí)現(xiàn)了多線程技術(shù)和 SIMD 指令加速，可以有效地利用多核 CPU 的計(jì)算能力，提高計(jì)算速度。在機(jī)器學(xué)習(xí)和科學(xué)計(jì)算等領(lǐng)域中，OpenBLAS 是一個(gè)廣泛應(yīng)用的高性能數(shù)學(xué)庫之一。而對于 CUDA 上的矩陣運(yùn)算操作，我們也可以調(diào)用對應(yīng)的 cuBLAS 第三方庫進(jìn)行運(yùn)算。(from chatGPT)

18.1 準(zhǔn)備工作

在編譯之前需明確自己的 TARGET 即 CPU 設(shè)備型號，首先打開終端使用如下指令可查看對應(yīng)的CPU

cat /proc/cpuinfo | grep 'model name' | uniq

博主的 CPU 如下圖所示：

接下來查看 CPU 型號所對應(yīng)的 TARGET 名稱，具體查看 OpenBLAS 源碼的 TargetList.txt 文檔，下面是 X86/X86_64 架構(gòu)支持的列表，更多支持可查看源文檔

Force Target Examples:

make TARGET=NEHALEM
make TARGET=LOONGSON3A BINARY=64
make TARGET=ISTANBUL

Supported List:
1.X86/X86_64
a)Intel CPU:
P2
KATMAI
COPPERMINE
NORTHWOOD
PRESCOTT
BANIAS
YONAH
CORE2
PENRYN
DUNNINGTON
NEHALEM
SANDYBRIDGE
HASWELL
SKYLAKEX
ATOM
COOPERLAKE

b)AMD CPU:
ATHLON
OPTERON
OPTERON_SSE3
BARCELONA
SHANGHAI
ISTANBUL
BOBCAT
BULLDOZER
PILEDRIVER
STEAMROLLER
EXCAVATOR
ZEN

c)VIA CPU:
SSE_GENERIC
VIAC3
NANO

具體如何查看自己 CPU 型號對應(yīng)的 Target 呢？

博主也沒有找到合適的方法，只能問問 chatGPT，希望它不要犯病??。博主是 Inter CPU 從其中選擇的是 HASWELL

18.2 編譯

本次編譯選擇從源碼編譯，首先獲取壓縮包，可以通過我提供的軟件安裝包下載鏈接，里面有 OpenBLAS-0.3.17，也可以通過 https://github.com/xianyi/OpenBLAS/tags 選擇不同的版本進(jìn)行編譯

解壓

先 cd 到安裝包路徑，然后解壓，指令如下：

unzip OpenBLAS-0.3.17

創(chuàng)建安裝目錄

我們先要?jiǎng)?chuàng)建一個(gè)文件用于存放安裝后的 OpenBLAS 的頭文件和庫文件，我們選擇在當(dāng)前目錄下創(chuàng)建一個(gè) OpenBLAS 文件夾，指令如下：

mkdir OpenBLAS

創(chuàng)建auto.sh

這次按照杜老師寫的腳本來自動完成整個(gè)編譯過程，在與 OpenBLAS-0.3.17 的同級目錄下創(chuàng)建一個(gè)腳本文件 auto.sh 用于完成自動編譯 OpenBLAS-0.3.17 的過程，其腳本文件中的內(nèi)容如下：

#!/bin/bash

set -e

if [ "$(whoami)" == "root" ];
then
    apt install cmake gfortran libblas-dev libblas3 -y
else
    echo Please input password to execute \"sudo apt install cmake gfortran libblas-dev libblas3 -y\"
    sudo apt install cmake gfortran libblas-dev libblas3 -y
fi

cd OpenBLAS-0.3.17
make TARGET=HASWELL -j
make PREFIX=../OpenBLAS install -j

cd ../
rm -rf OpenBLAS-0.3.17

• 腳本首先檢查當(dāng)前用戶是否為 root 用戶，如果是，則直接安裝必要的依賴庫，否則需要用戶輸入密碼以執(zhí)行 sudo 命令安裝依賴庫。
• 接著進(jìn)入 OpenBLAS 源碼目錄，執(zhí)行 make 命令進(jìn)行編譯，通過參數(shù) -j 指定使用多線程加速編譯，-j 后面的數(shù)字表示并行編譯線程數(shù)，根據(jù)機(jī)器配置合理設(shè)置。注意TARGET修改為你自己所選擇的
• 然后執(zhí)行 make install 命令安裝編譯好的 OpenBLAS 庫到指定路徑。注意PEEFIX為安裝的路徑，如果你想將 OpenBLAS 安裝到別的目錄請修改
• 最后刪除 OpenBLAS 源碼目錄，清理環(huán)境。這個(gè)腳本適用于 Ubuntu 等基于 Debian 的 Linux 系統(tǒng)。
• 切記?。?！當(dāng)需要編譯其它版本的OpenBLAS庫的時(shí)候，需要簡單修改下 auto.sh 腳本文件的內(nèi)容，將 cd 到的文件夾修改為你解壓的文件夾

安裝

將 auto.sh 和 解壓后的 OpenBLAS-0.3.17 文件夾放在同一級目錄下，執(zhí)行如下代碼：

bash auto.sh

編譯安裝過程可能有點(diǎn)慢，請耐心等待

安裝完成后會出現(xiàn)如下提示，且在當(dāng)前目錄下會存在編譯好的 OpenBLAS 的頭文件和庫文件

18.3 驗(yàn)證

利用OpenBLAS的cblas_sgemm寫一個(gè)簡單矩陣相乘的示例

創(chuàng)建一個(gè) workspace 文件夾存放編譯后的程序文件，創(chuàng)建一個(gè) src 文件夾存放源文件，創(chuàng)建一個(gè)makefile 文件用于編譯。整個(gè)項(xiàng)目的整體結(jié)構(gòu)如下：

.
├── auto.sh
├── makefile
├── OpenBLAS
│   ├── bin
│   ├── include
│   └── lib
├── OpenBLAS-0.3.17.zip
├── src
│   └── main.cpp
└── workspace

6 directories, 4 files

src/main.cpp 內(nèi)容如下：

#include <iostream>
#include <cblas.h>

int main()
{
    const int N = 3;
    const float alpha = 1.0;
    const float beta = 0.0;

    float A[N][N] = {{1, 2, 3},
                     {4, 5, 6},
                     {7, 8, 9}};
    float B[N][N] = {{1, 1, 1},
                     {0, 1, 0},
                     {0, 0, 1}};
    float C[N][N] = {0};

    cblas_sgemm(CblasRowMajor, CblasNoTrans, CblasNoTrans,
                N, N, N, alpha, &A[0][0], N, &B[0][0], N, beta, &C[0][0], N);

    std::cout << "A x B = " << std::endl;
    for (int i = 0; i < N; ++i)
    {
        for (int j = 0; j < N; ++j)
        {
            std::cout << C[i][j] << " ";
        }
        std::cout << std::endl;
    }

    return 0;
}

makefile 內(nèi)容如下：

# 1.參數(shù)定義
cc        := g++
name      := pro
workdir   := workspace
srcdir    := src
objdir    := objs
stdcpp    := c++11

# 定義cpp的路徑查找和依賴項(xiàng)mk文件
cpp_srcs := $(shell find $(srcdir) -name "*.cpp")
cpp_objs := $(cpp_srcs:.cpp=.cpp.o)
cpp_objs := $(cpp_objs:$(srcdir)/%=$(objdir)/%)
cpp_mk   := $(cpp_objs:.cpp.o=.cpp.mk)

# 定義cu文件的路徑查找和依賴項(xiàng)mk文件
cu_srcs := $(shell find $(srcdir) -name "*.cu")
cu_objs := $(cu_srcs:.cu=.cu.o)
cu_objs := $(cu_objs:$(srcdir)/%=$(objdir)/%)
cu_mk   := $(cu_objs:.cu.o=.cu.mk)

# 定義opencv和cuda需要用到的庫文件
link_sys       := stdc++ dl openblas
link_librarys  := $(link_sys)

# 定義頭文件路徑，請注意斜杠后邊不能有空格
# 只需要寫路徑，不需要寫-I
include_paths := src OpenBLAS/include			# 注意!!! 如果OpenBLAS安裝在其他目錄，請修改頭文件路徑

# 定義庫文件路徑，只需要寫路徑，不需要寫-L
library_paths := $(shell pwd)/OpenBLAS/lib		# 注意!!! 如果OpenBLAS安裝在其他目錄，請修改庫文件路徑

# 把library path給拼接為一個(gè)字符串，例如a b c => a:b:c
# 然后使得LD_LIBRARY_PATH=a:b:c
empty := 
library_path_export := $(subst $(empty) $(empty),:,$(library_paths))

# 把庫路徑和頭文件路徑拼接起來成一個(gè)，批量自動加-I、-L、-l
run_paths     := $(foreach item,$(library_paths),-Wl,-rpath=$(item))
include_paths := $(foreach item,$(include_paths),-I$(item))
library_paths := $(foreach item,$(library_paths),-L$(item))
link_librarys := $(foreach item,$(link_librarys),-l$(item))

# 如果是其他顯卡，請修改-gencode=arch=compute_75,code=sm_75為對應(yīng)顯卡的能力
# 顯卡對應(yīng)的號碼參考這里：https://developer.nvidia.com/zh-cn/cuda-gpus#compute
# 如果是 jetson nano，提示找不到-m64指令，請刪掉 -m64選項(xiàng)。不影響結(jié)果
cpp_compile_flags := -std=$(stdcpp) -w -g -O0 -m64 -fPIC -fopenmp -pthread
link_flags        := -pthread -fopenmp -Wl,-rpath='$$ORIGIN'

cpp_compile_flags += $(include_paths)
link_flags        += $(library_paths) $(link_librarys) $(run_paths)

# 如果頭文件修改了，這里的指令可以讓他自動編譯依賴的cpp或者cu文件
ifneq ($(MAKECMDGOALS), clean)
-include $(cpp_mk) $(cu_mk)
endif

$(name)   : $(workdir)/$(name)

all       : $(name)
run       : $(name)
	@cd $(workdir) && ./$(name) $(run_args)

$(workdir)/$(name) : $(cpp_objs) $(cu_objs)
	@echo Link $@
	@mkdir -p $(dir $@)
	@$(cc) $^ -o $@ $(link_flags)

$(objdir)/%.cpp.o : $(srcdir)/%.cpp
	@echo Compile CXX $<
	@mkdir -p $(dir $@)
	@$(cc) -c $< -o $@ $(cpp_compile_flags)

# 編譯cpp依賴項(xiàng)，生成mk文件
$(objdir)/%.cpp.mk : $(srcdir)/%.cpp
	@echo Compile depends C++ $<
	@mkdir -p $(dir $@)
	@$(cc) -M $< -MF $@ -MT $(@:.cpp.mk=.cpp.o) $(cpp_compile_flags)
    
# 定義清理指令
clean :
	@rm -rf $(objdir) $(workdir)/$(name)
	@rm -rf $(workdir)/mnist

# 防止符號被當(dāng)做文件
.PHONY : clean run $(name)

# 導(dǎo)出依賴庫路徑，使得能夠運(yùn)行起來
export LD_LIBRARY_PATH:=$(library_path_export)

在終端執(zhí)行 make run 即可看到兩個(gè)矩陣相乘的結(jié)果，如下圖所示：

19. 編譯FFmpeg

參考自FFMpeg學(xué)習(xí)筆記–Ubuntu20.04編譯FFmpeg、FFplay和FFprobe

描述：最近在學(xué)習(xí)視頻流媒體的編解碼，在學(xué)習(xí) hard_decode_trt 項(xiàng)目時(shí)需要使用到 FFMpeg 第三方庫，因此需要編譯該庫方便后續(xù)使用。編譯流程按照上文的操作即可，值得注意的是 hard_decode_trt 使用的 FFmpeg-4.2 版本，博主編譯過 FFmpeg-5.1 版本，發(fā)現(xiàn)在 FFmpeg 中有一些 API 發(fā)生了改變，導(dǎo)致 hard_decode_trt 項(xiàng)目無法運(yùn)行起來，所以為了讓問題更加簡單化，博主也是編譯的 FFmpeg-4.2，其它版本的編譯也可以按照上文的流程走，沒有問題。

FFmpeg介紹：FFmpeg 是一款跨平臺的、開源的音視頻處理軟件。它可以對音視頻進(jìn)行編解碼、轉(zhuǎn)碼、剪輯、合并等處理，支持多種格式的音視頻文件。在視頻流媒體編解碼中，F(xiàn)Fmpeg 通常被用來進(jìn)行解封裝、編碼、解碼、轉(zhuǎn)換等操作。它通過將原始的音視頻數(shù)據(jù)流解封裝成一幀一幀的數(shù)據(jù)，然后將這些數(shù)據(jù)傳輸給硬件編碼器(例如 NVIDIA 的 NVDEC)。硬件編碼器將編碼后的數(shù)據(jù)傳輸回 FFmpeg，再由 FFmpeg 將編碼后的數(shù)據(jù)封裝稱所需要的視頻格式，例如 MP4、AVI 等。FFmpeg 提供了必要的解封裝和編解碼功能，使得視頻編解碼更加高效、簡單和方便。

19.1 下載FFmpeg

下載 4.2 版本的 ffmpeg，指令如下：

wget http://www.ffmpeg.org/releases/ffmpeg-4.2.tar.gz

可以將鏈接復(fù)制到瀏覽器中下載，外網(wǎng)訪問慢，建議開代理。也可以點(diǎn)擊 here[pwd:yolo] 下載博主準(zhǔn)備好的安裝包

解壓下載好的壓縮包

tar -zxvf ffmpeg-4.2.tar.gz

19.2 編譯FFmpeg

進(jìn)入解壓后的文件夾

cd ffmpeg-4.2

安裝依賴

# 安裝ffplay需要的依賴
sudo apt-get install libx11-dev xorg-dev libsdl2-2.0 libsdl2-dev

sudo apt install clang libfdk-aac-dev libspeex-dev libx264-dev libx265-dev libnuma-dev

sudo apt install yasm pkg-config libopencore-amrnb-dev libopencore-amrwb-dev

編譯FFmpeg

# 查看幫助文檔確定需要安裝的相關(guān)參數(shù)
./configure --help

配置相關(guān)參數(shù)

./configure --disable-static --enable-shared --enable-gpl --enable-version3 --enable-nonfree --enable-ffplay --enable-ffprobe --enable-libx264 --enable-libx265 --enable-debug

注意這里博主與參考的博文設(shè)置不太一樣，博主新增了 --disable-static --enable-shared 參數(shù)，讓其編譯成動態(tài)庫且不需要靜態(tài)庫，方便后續(xù) hard_decode_trt 項(xiàng)目的指定。

make編譯

make -j24

注：make 這步需要的時(shí)間一般比較長

安裝

sudo make install

耐心等待安裝完成即可。

安裝完成后的 FFmpeg 頭文件在 /usr/local/include 目錄下，庫文件在 /usr/local/lib 目錄下，可執(zhí)行文件在 /usr/local/bin 目錄下

19.3 設(shè)置環(huán)境變量

博主并未設(shè)置，若有需求見參考博文

19.4 驗(yàn)證

查看 FFmpeg 的版本，由于博主未設(shè)置環(huán)境變量，所以先要 cd 到 /usr/local/bin 目錄下

cd /usr/local/bin

ffmpeg -version

查看 FFmpeg 幫助文檔

ffmpeg -h

ffmpeg -h long

ffmpeg -h full

19.5 卸載FFmpeg

卸載非常簡單，指令如下：

# 首先進(jìn)入 ffmpeg 源碼編譯的路徑
cd ffmpeg-4.2

sudo make uninstall

執(zhí)行完成后可以發(fā)現(xiàn)在 /usr/local/include 中 FFmpeg 的頭文件沒有了，在 /usr/local/lib 中 FFmpeg 的庫文件沒有了，在 /usr/local/bin 中 FFmpeg 的可執(zhí)行文件沒有了。

這個(gè)需求非常有必要，當(dāng)你發(fā)現(xiàn)編譯后的 FFmpeg 缺少某些庫時(shí)，你可以通過 sudo make uninstall 卸載，然后通過 ./configure 重新配置參數(shù)編譯。當(dāng)你需要替換其它版本的 FFmepg 時(shí)，也可以先通過 sudo make uninstall 卸載，然后下載其它版本的 FFmpeg，通過上述操作重新編譯。

20. NVIDIA VIDEO_CODEC_SDK

在學(xué)習(xí)視頻流硬解碼過程中需要用到視頻解碼的 GPU 硬件加速器引擎，而 NVIDIA 提供了一個(gè)用于視頻編解碼的 SDK 即 NVIDIA VIDEO_CODEC_SDK，它是一個(gè) API 套件，包含高性能工具、樣本和文檔，適用于 Windows 和 Linux 的硬件加速型視頻編碼和解碼。此 SDK 包含兩個(gè)硬件加速接口：

• 用于視頻編碼加速的 NVENCODE API
• 用于視頻解碼加速的 NVDECODE API(舊稱 NVCUVID API)

NVENC：硬件加速的視頻編碼

從 Kepler 這一代開始，NVIDIA GPU 包含基于硬件的編碼器(簡稱為 NVENC)，可提供基于硬件的全加速視頻編碼，且獨(dú)立于圖形性能。由于計(jì)算復(fù)雜的編碼工作流完全卸載至 NVENC，圖形引擎和 CPU 可以有更多的事件執(zhí)行其它操作。

NVDEC：硬件加速的視頻解碼

NVIDIA GPU 包含基于硬件的解碼器(簡稱為 NVDEC)，可為幾種熱門的編解碼器提供基于硬件的全加速視頻解碼。由于解碼工作流完全卸載至 NVDEC，圖形引擎和 CPU 可以有更多的事件執(zhí)行其它操作。NVDEC 比實(shí)時(shí)解碼速度更快，非常適合于轉(zhuǎn)碼應(yīng)用以及視頻播放應(yīng)用。

Copy 自 NVIDIA 視頻編解碼器 SDK

由于是 SDK 不需要編譯，直接下載解壓拿來用就行，其下載地址為：

• https://developer.nvidia.com/nvidia-video-codec-sdk/download

現(xiàn)在最新的 SDK 為 12.0 版本，其系統(tǒng)要求如下圖，Linux 下顯卡驅(qū)動要求為 520.56.06 或者更新，且只支持 NVIDIA Quadro，Tesla，GRID 以及 GeForce 系列產(chǎn)品

其歷史版本可通過 https://developer.nvidia.com/video-codec-sdk-archive 下載，也可以點(diǎn)擊 here[pwd:yolo] 下載博主準(zhǔn)備好的安裝包(提供 10.0、11.0、11.1、12.0 四個(gè)版本的 SDK，根據(jù)自己的需求下載即可) ，每個(gè)版本都有對應(yīng)的顯卡驅(qū)動要求，例如 11.0 要求 Linux 下顯卡驅(qū)動大于等于 455.27。下載完成后解壓即可，后續(xù)可通過 makefile 文件進(jìn)行其頭文件和庫文件的指定。

21. Eigen

描述：最近在學(xué)習(xí) CPD 點(diǎn)集配準(zhǔn)方法，在學(xué)習(xí) https://github.com/gadomski/cpd 項(xiàng)目時(shí)需要使用到 Eigen 庫用于進(jìn)行數(shù)學(xué)運(yùn)算。值得注意的是，Eigen 庫本身不需要編譯，它是一個(gè)頭文件，這意味著你無需單獨(dú)編譯它，只要將相應(yīng)的頭文件包含在項(xiàng)目中，就可以直接使用它的功能了。

Eigen介紹：Eigen 是一個(gè)用于 C++ 的開源線性代數(shù)庫，它提供了豐富的線性代數(shù)運(yùn)算功能，包括矩陣運(yùn)算、向量運(yùn)算、線性方程求解、特征值和特征向量計(jì)算等。Eigen 庫是一個(gè)純頭文件庫，因此使用起來非常方便，無需編譯額外的庫文件，只需將相應(yīng)的頭文件包含在你的項(xiàng)目中即可。

以下是 Eigen 庫的一些特點(diǎn)和優(yōu)勢：

1. 簡潔易用：Eigen 的 API 設(shè)計(jì)簡單直觀，易于學(xué)習(xí)和使用，提供了類似于 MATLAB 的矩陣和向量表示方式，使得代碼編寫更加清晰和易讀。

2. 高性能：Eigen 庫在設(shè)計(jì)上注重運(yùn)行時(shí)性能，采用了各種優(yōu)化技術(shù)，同時(shí)支持向量化指令，使得它在進(jìn)行大規(guī)模線性代數(shù)計(jì)算時(shí)表現(xiàn)出色。

3. 功能豐富：Eigen 提供了大量的線性代數(shù)運(yùn)算函數(shù)，包括基本的矩陣和向量操作，以及線性方程組求解、特征值和特征向量計(jì)算、矩陣分解等高級功能。

4. 跨平臺：Eigen 是一個(gè)跨平臺的庫，可以在各種操作系統(tǒng)和編譯器上運(yùn)行，無需擔(dān)心兼容性問題。

5. 自由開源：Eigen 遵循 MPL2.0 協(xié)議，可以免費(fèi)用于商業(yè)和非商業(yè)項(xiàng)目。

由于 Eigen 庫的優(yōu)雅設(shè)計(jì)和高性能，它被廣泛應(yīng)用于各種領(lǐng)域，如科學(xué)計(jì)算、機(jī)器學(xué)習(xí)、計(jì)算機(jī)圖形學(xué)等

21.1 下載Eigen

你需要從 Eigen 官方網(wǎng)站 https://eigen.tuxfamily.org/index.php?title=Main_Page 中下載對應(yīng)的源文件壓縮包，如下圖所示：

在這里博主選擇了一個(gè)相對穩(wěn)定的版本 Eigen-3.4.0

21.2 使用Eigen

我們把下載好的 Eigen 進(jìn)行解壓后就可以使用了，我們來寫一個(gè)簡單的示例代碼看看效果

main.cpp 內(nèi)容如下：

#include <iostream>
#include <Eigen/Dense>

int main() {
    Eigen::MatrixXd matrix(2, 2);
    matrix << 1, 2,
              3, 4;

    Eigen::VectorXd vector(2);
    vector << 5, 6;

    Eigen::VectorXd result = matrix * vector;

    std::cout << "Matrix * Vector = \n" << result << std::endl;

    return 0;
}

CMakeLists.txt 文件如下：

cmake_minimum_required(VERSION 3.5)
project(EigenExample)

# 設(shè)置編譯器
set(CMAKE_CXX_STANDARD 11)

# 指定Eigen3的頭文件路徑
include_directories(/path/to/custom_eigen3)

# 設(shè)置可執(zhí)行文件
add_executable(eigen_example main.cpp)

你需要修改 Eigen 庫的路徑為你使用的路徑，然后將上述兩個(gè)文件（main.cpp和CMakeLists.txt）放在同一個(gè)目錄下，執(zhí)行以下命令來編譯你的程序：

mkdir build
cd build
cmake ..
make

編譯運(yùn)行效果如下圖所示：

文章來源地址http://www.zghlxwxcb.cn/news/detail-755036.html

到了這里，關(guān)于Ubuntu20.04軟件安裝大全的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！