普通视图

发现新文章，点击刷新页面。

昨天以前晨曦的博客

在Linux下通过Docker运行Code Composer Studio

晨曦的博客

2025年7月21日 18:00

1. CCStudio说明

Docker镜像可在以下位置获取：

1.1 软件配置情况

目前理论上支持的CCStudio版本：
- 10.x（已测试版本10.0.0.00010、10.4.0.00006）
- 11.x（已测试版本11.0.0.00012、11.2.0.00007）
- 12.x（已测试版本12.0.0.00009、12.8.1.00005）
- 20.x（已测试版本20.2.0.00012）
支持的Ubuntu版本： ubuntu 20.04及以上版本（已测试版本20.04、22.04、24.04）
支持安装指定版本的mmWave SDK，已测试版本03.06.02.00-LTS
支持安装指定版本的SYS/BIOS，已测试版本6.73.01.01

zfb132/ccstudio目的是提供一个在Linux系统上安装Code Composer Studio的Docker镜像，方便在Linux系统（无桌面环境）上使用CCStudio进行TI芯片的开发，尤其是适用于CI/CD场景。用户也可以参考仓库的configure.sh脚本在自己的Linux系统上安装CCStudio

容器内部最重要的三个目录：

/ccs_projects：CCStudio项目目录（运行容器必须挂载本地目录到此目录，因为entrypoint.sh脚本会在此目录下查找项目文件）
/workspaces：CCStudio工作空间目录（容器内部CCS的工作空间目录为/workspaces，编译结果也存放在此目录下）
/opt/ti：TI系列产品的安装目录（容器内部CCStudio、mmwave SDK、SYS/BIOS的安装目录）

不同版本的CCStudio在Linux系统的安装说明：

不同版本的CCStudio命令行程序的使用说明：

2. 构建镜像

2.1 自动

使用make命令自动构建镜像

# 查看可用的目标
make list

# 构建指定的镜像
make ubuntu24.04-20.2.0.00012-mmw

# 逐个构建镜像
make all

# 并行构建镜像（但是输出日志会混在一起）
make -j $(nproc) all

# 生成docker-compose.yaml文件用于并行构建镜像
make gen_compose

# 使用docker-compose构建镜像
docker compose -f docker-compose.yaml --parallel 2 build

2.2 手动

构建镜像的脚本如下：

#   --network host
#   --build-arg "HTTP_PROXY=http://127.0.0.1:9900/" \
#   --build-arg "HTTPS_PROXY=http://127.0.0.1:9900/" \
#   --progress=plain --no-cache

# MMWSDK_COMPONENTS或BIOS_VERSION参数若为空，表示不安装对应组件
export UBUNTU_VERSION=24.04
export CCSTUDIO_VERSION=20.2.0.00012
export CCS_COMPONENTS="PF_MMWAVE,PF_C6000SC,PF_TM4C"
export MMWSDK_VERSION="03.06.02.00-LTS"
export MMWSDK_COMPONENTS="ALL"
export BIOS_VERSION="6.73.01.01"
# 使用major.minor版本号作为ccstudio版本标识
export CCS_VERSION_SHORT=$(echo ${CCSTUDIO_VERSION} | cut -d '.' -f 1-2)
export tag="whuzfb/ccstudio:${CCS_VERSION_SHORT}-ubuntu${UBUNTU_VERSION}"
docker build -t ${tag} . \
  --build-arg "OS_VERSION=${UBUNTU_VERSION}" \
  --build-arg "CCS_VERSION=${CCSTUDIO_VERSION}" \
  --build-arg "CCS_COMPONENTS=${CCS_COMPONENTS}" \
  --build-arg "MMWSDK_VERSION=${MMWSDK_VERSION}" \
  --build-arg "MMWSDK_COMPONENTS=${MMWSDK_COMPONENTS}" \
  --build-arg "BIOS_VERSION=${BIOS_VERSION}"

3. 运行容器

从Docker Hub拉取镜像whuzfb/ccstudio：

# 拉取最新版本的ccstudio镜像（20.2-ubuntu24.04-mmw）
docker pull whuzfb/ccstudio:latest

或者使用本地构建的镜像

挂载本地的ccs项目目录到容器内的/ccs_projects目录下并启动构建：

# 假设本地项目目录为 ./mmw_oob
git clone --recursive https://github.com/zfb132/mmw_oob.git ./mmw_oob
# 该目录下包含out_of_box_6843_isk_mss.projectspec文件，且包含Debug编译配置
# 运行以下命令可以在容器内编译该项目
# 如果需要保存结果，那么使用 -v ./results:/workspaces （容器内部CCS的工作目录为/workspaces）
# 默认时区为UTC，可以通过设置 -e TZ=... 来更改时区（例如 -e TZ=Asia/Shanghai）
mkdir ./results
docker run \
  -e TZ=Asia/Shanghai \
  -v ./mmw_oob:/ccs_projects \
  -v ./results:/workspaces \
  -it --rm --name ccstudio whuzfb/ccstudio:latest \
  "out_of_box_6843_isk_mss.projectspec" "Debug"

4. CCStudio组件

可安装的产品系列列表：

Product family	Description	OS
PF_MSP430	MSP430 ultra-low power MCUs	windows-x64, linux-x64, osx
PF_MSP432	SimpleLink™ MSP432™ low power + performance MCUs	windows-x64, linux-x64, osx
PF_CC2X	SimpleLink™ CC13xx and CC26xx Wireless MCUs	windows-x64, linux-x64, osx
PF_CC3X	SimpleLink™ Wi-Fi® CC32xx Wireless MCUs	windows-x64, linux-x64, osx
PF_CC2538	CC2538 IEEE 802.15.4 Wireless MCUs	windows-x64, linux-x64, osx
PF_C28	C2000 real-time MCUs	windows-x64, linux-x64, osx
PF_TM4C	TM4C12x ARM® Cortex®-M4F core-based MCUs	windows-x64, linux-x64, osx
PF_PGA	PGA Sensor Signal Conditioners	windows-x64, linux-x64, osx
PF_HERCULES	Hercules™ Safety MCUs	windows-x64, linux-x64, osx
PF_SITARA	Sitara™ AM3x, AM4x, AM5x and AM6x MPUs (will also include AM2x for CCS 10.x)	windows-x64, linux-x64
PF_SITARA_MCU	Sitara™ AM2x MCUs (only supported in CCS 11.x and greater)	windows-x64, linux-x64
PF_OMAPL	OMAP-L1x DSP + ARM9® Processor	windows-x64, linux-x64
PF_DAVINCI	DaVinci (DM) Video Processors	windows-x64, linux-x64
PF_OMAP	OMAP Processors	windows-x64, linux-x64
PF_TDA_DRA	TDAx Driver Assistance SoCs & Jacinto DRAx Infotainment SoCs	windows-x64, linux-x64
PF_C55	C55x ultra-low-power DSP	windows-x64, linux-x64
PF_C6000SC	C6000 Power-Optimized DSP	windows-x64, linux-x64
PF_C66AK_KEYSTONE	66AK2x multicore DSP + ARM® Processors & C66x KeyStone™ multicore DSP	windows-x64, linux-x64
PF_MMWAVE	mmWave Sensors	windows-x64, linux-x64
PF_C64MC	C64x multicore DSP	windows-x64, linux-x64
PF_DIGITAL_POWER	UCD Digital Power Controllers	windows-x64, linux-x64

5. 其他参考

Windows电脑配置以太网口访问雷达

晨曦的博客

2025年5月26日 19:27

1. 总体说明

适用情况：目的只是调试雷达，且当前没有配置好的交换机或路由器
主要功能：把雷达的以太网口eth1连接到windows电脑的以太网口（此时两者即可互相ping通，可以ssh），还可以通过windows电脑的无线网络让雷达连接到互联网

其中雷达的eth1口配置如下

IP地址示例： 192.168.19.241
子网掩码示例： 255.255.255.0
网关示例： 192.168.19.244（可以自行修改为其他ip，只要与windows电脑的以太网口IP地址一致即可，例如192.168.19.254）

windows电脑的以太网口配置如下

IP地址示例： 192.168.19.244（只要与雷达网关一致即可，例如192.168.19.254）
子网掩码示例： 255.255.255.0
网关：留空

windows电脑可以替换为其他Linux电脑，配置方法类似

2. windows电脑配置以太网口

打开控制面板 -> 网络和Internet -> 网络和共享中心 -> 更改适配器设置
然后再手动修改windows的以太网适配器的IP地址是192.168.19.244（也可以是192.168.19.254），子网掩码是255.255.255.0，保存即可（该适配器可能会显示为未识别的网络，属性信息里面IPv4和IPv6可能会提示无法获取Internet访问权限，这是正常的）

3. 雷达配置ip和网关和路由

# 查看当前网络信息(发现eth1的ip地址是192.168.19.241)
ip a
# 1: 1o:<L0OPBACK,UP,LOWER UP> mtu 16436 qdisc noqueue state UNKNOWN
#     link/loopback 00:00:00:00:00:00 brd60:00:00:00:00:00
#     inet 127.0.0.1/8 scope host lo
#     inet6 ::1/128 scope host
#         valid lft forever preferred lft forever
# 2: eth0: <NO-CARRIER,BROADCAST,MULTICAST,UP> mtu 1500 qdisc pfifo fast state DOWN qlen 1000
#     link/ether 00:0a:aa:aa:aa:aa brd ff:ff:ff:ff:ff:ff
#     inet 192.168.1.0/24 brd 192.168.1.255 scope global eth0
# 3: eth1: <BROADCAST,MULTICAST,UP,LOWER UP> mtu 1500 qdisc pfifo fast state UNKNOWN qlen 1000
#     link/ether 08:1f:ff:ff:ff:ff brd ff:ff:ff:ff:ff:ff
#     inet 192.168.19.241/24 brd 192.168.19.255 scope global eth1
#     inet6 fe80::alf:7lff:fe03:bbc/64 scope link
#         valid lft forever preferred lft forever
# 4: eth2: <BROADCAST,MULTICAST,UP,LOWER UP> mtu 1500 qdisc pfifo fast state UP qlen 1000
#     link/ether 00:0b:bb:bb:bb:bb brd ff:ff:ff:ff:ff:ff
#     inet 172.16.1.0/16 brd 172.16.255.255 scope global eth2
#     inet6 fe80::20b:abff:fed3:2b52/64 scope link
#         valid lft forever preferred lft forever

# 查看默认网关(发现eth1的网关是192.168.19.254)
route -n
# Kernel Ip routing table
# Destination    Gateway          Genmask         Flags   Metric   Ref   User   Iface
# 192.168.19.0   0.0.0.0          255.255.255.0   U       0        0     0      eth1
# 192.168.1.0    0.0.0.0          255.255.255.0   U       0        0     0      eth0
# 172.16.0.0     0.0.0.0          255.255.0.0     U       0        0     0      eth2
# 127.0.0.0      0.0.0.0          255.0.0.0       U       0        0     0      lo
# 0.0.0.0        192.168.19.254   0.0.0.0         UG      0        0     0      eth1

如果不想对雷达进行任何修改，则直接把windows电脑的以太网口IP地址修改为192.168.19.254，子网掩码是255.255.255.0，保存即可。雷达会通过eth1口（ip地址是192.168.19.241）经由windows电脑的以太网口（ip地址是192.168.19.254）互相访问。

如果希望自定义雷达的IP和网关，则可以在雷达上执行以下命令：

# 切换到root用户（192.168.19.241是自己设置的eth1口IP地址，只要与windows电脑的以太网口IP地址在同一网段即可）
ifconfig eth1 192.168.19.241 netmask 255.255.255.0 up
# 删除默认网关
route del default
# 添加新的默认网关（这里的网关是windows电脑的以太网口IP地址）
route add default gw 192.168.19.244 eth1

此时在windows电脑上可以通过ssh连接到雷达：

ssh username@192.168.19.241

但是如果想让雷达访问互联网，则需要在windows电脑上开启网络转发功能，并配置以太网共享无线网络。

4. windows开启路由转发功能

修改注册表：以管理员身份打开cmd，输入以下命令

 reg add HKLM\SYSTEM\CurrentControlSet\Services\Tcpip\Parameters /v IPEnableRouter /D 1 /f

启动Routing and Remote Access服务：以管理员身份打开cmd，输入以下命令

 # 如果报错，就手动去服务中启动
 sc config RemoteAccess start=auto
 sc start RemoteAccess
 sc query RemoteAccess

5. windows配置以太网共享无线网络

配置共享地址段（防止在共享WLAN给ethernet时，弹出对话框提示以太网的ip地址只能是192.168.137.1）以管理员身份打开cmd，输入以下命令
```
 reg add "HKLM\SYSTEM\CurrentControlSet\Services\SharedAccess\Parameters" -v ScopeAddress -d 192.168.19.142 -f
 reg add "HKLM\SYSTEM\CurrentControlSet\Services\SharedAccess\Parameters" -v ScopeAddressBackup -d 192.168.19.142 -f
```
此处只要ScopeAddress和ScopeAddressBackup的网段是192.168.19.x即可
打开控制面板 -> 网络和Internet -> 网络和共享中心 -> 更改适配器设置
右键点击无线网络连接 -> 属性 -> 共享选项卡
勾选允许其他网络用户通过此计算机的Internet连接来连接，在下拉框中选择以太网（即windows与雷达连接网线后出现的网络适配器），点击确定

此时雷达就可以通过windows电脑的无线网络访问互联网了，直接在雷达上执行以下命令测试：

ping baidu.com

关于如何使用frp配置远程访问，参考远程访问安装xfce4的内网服务器

在linux系统监控某个程序的执行情况并通知用户

晨曦的博客

2021年2月11日 13:30

介绍

如果有一个下载任务需要执行（python3 download.py），该任务会下载许多文件，一般将其放在后台执行。但是又需要知道它是否在某个时刻退出，可能是因为：

任务执行完毕，正常结束运行
任务异常退出，可能由于下载的网站爬虫策略限制，也可能是其他原因

无论由于哪个原因，一旦程序停止，都需要立刻用户，所以编写以下代码来实现该功能

代码

使用python语言编写监控程序detect.py文件：

如果需要使用腾讯云发送短信通知，则安装库qcloudsms_py
如果需要使用twilio发送短信通知，则安装库twilio

文件内容如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author: 'zfb'
# time: 19-06-29 09:52
import datetime
import json
import os
import requests
import socket
import logging
from logging.handlers import RotatingFileHandler
from qcloudsms_py import SmsSingleSender
from qcloudsms_py.httpclient import HTTPError

LOG_FORMAT = "%(asctime)s [%(funcName)s: %(filename)s,%(lineno)d] - %(levelname)s : %(message)s"
DATE_FORMAT = "%m/%d/%Y %H:%M:%S"
LOG_PATH = "./log/"

# 初始化日志文件配置
def initLog(fileName,logger):
    # 创建日志文件夹
    if not os.path.exists(LOG_PATH):
        os.mkdir(LOG_PATH)
    myapp = logging.getLogger(logger)
    myapp.setLevel(logging.DEBUG)
    # 切割日志文件
    handler = RotatingFileHandler(LOG_PATH+fileName, maxBytes=128*1024, backupCount=60)
    handler.setFormatter(logging.Formatter(LOG_FORMAT,DATE_FORMAT))
    myapp.addHandler(handler)
    return myapp


logging = initLog('detect.log', 'detect')

# ------------  使用腾讯云发送短信通知用户  -----------
APP_ID = 1412345678
APP_KEY = "3998d59614123456789b72dd5961405c"
TEMPLATE_ID = 101234
SMS_SIGN = "签名A"
# ------------  使用腾讯云发送短信通知用户  -----------

# ------------  使用twilio发送短信  ------------------
SMS_SID = 'ACb770c5f63aac91c44d97891234567890'
SMS_TOKEN = '42b1294966799e965883181234567890'
SMS_FROM_NUMBER = '+12512123456'
# ------------  使用twilio发送短信  ------------------

# ------------  使用邮箱发信  ------------------------
EMAIL_FROM = 'example@qq.com'
EMAIL_PWD = '123demo'
# ------------  使用邮箱发信  ------------------------

def sendSMS(number, params, app_id=APP_ID, key=APP_KEY, template_id=TEMPLATE_ID, sms_sign=SMS_SIGN):
    ssender = SmsSingleSender(app_id, key)
    try:
        result = ssender.send_with_param(86, number, template_id, 
                params, sign=sms_sign, extend="", ext="")
    except HTTPError as e:
        log = json.dumps(e, ensure_ascii=False)
        logging.error(log)
        print(log)
    except Exception as e:
        log = json.dumps(e, ensure_ascii=False)
        logging.error(log)
        print(log)
    log = json.dumps(result, ensure_ascii=False)
    logging.debug(log)
    print(log)


# 使用twilio的使用账户发送短信
def send_sms(phone, content):
    from twilio.rest import Client
    # 账户信息： twilio.com/console
    account_sid = SMS_SID
    auth_token = SMS_TOKEN
    from_phone_num = SMS_FROM_NUMBER
    client = Client(account_sid, auth_token)
    message = client.messages.create(body=content, from_=from_phone_num, to=phone)
    print(message.sid)


# 使用139邮箱的短信通知功能
def send_email(email, subject, msg):
    from smtplib import SMTPException, SMTP_SSL
    from email.mime.text import MIMEText
    from email.header import Header
    # 发件人
    sender = EMAIL_FROM
    pwd = EMAIL_PWD
    # 三个参数：第一个为文本内容，第二个为plain设置文本格式，第三个为utf-8设置编码
    message = MIMEText(msg,"plain",'utf-8')
    message ['From'] = Header(sender,'utf-8')
    message ['To'] = Header(email,'utf-8')
    message["Subject"] = Header(subject,"utf-8")
    try:
        # 使用非本地服务器，需要建立ssl连接
        smtpObj = SMTP_SSL("smtp.exmail.qq.com", 465)
        smtpObj.login(sender,pwd)
        smtpObj.sendmail(sender,email,message.as_string())
        print("邮件发送成功")
    except SMTPException as e:
        print("Error：无法发送邮件.Case:%s"%e)


# 检测下载进程是否正在运行
def isRunning(search_param):
    output = os.popen('ps -ef | grep {}'.format(search_param))
    length = 0
    for line in output:
        # print(line)
        if "/bin/sh" in line or "grep" in line or "Terminated" in line:
            continue
        length = length + 1
    # print(length)
    return True if length > 0 else False


# 获取系统用户名和ip
def getInfomation():
    user = socket.gethostname()
    # 创建socket访问DNS来获取本机的IP，如果是NAT的话，则是局域网IP
    local_ip = "127.0.0.1"
    try:
        s = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)
        s.connect(('1.1.1.1', 80))
        local_ip = s.getsockname()[0]
    finally:
        s.close()
    # 访问www.ip.cn网站获取公网IP
    net_ip = "127.0.0.1"
    try:
        net_ip = requests.get('https://api.ipify.org').text
    finally:
        pass
    return (user, local_ip, net_ip)


if __name__ == "__main__":
    status = isRunning("download.py")
    flag_file = "/home/ubuntu/flag"
    # now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    if status:
        logging.debug("program is running")
    else:
        if os.path.isfile(flag_file):
            logging.error("program stopped, nobody fixed it.")
        else:
            info = getInfomation()
            msg = "您的主机{}，公网IP地址为{}，局域网IP为{}，下载进程已中断".format(info[0], info[2], info[1])
            phone = "13612345678"
            sendSMS(phone, ['spy', msg])
            send_sms(phone, msg)
            send_email("user@qq.com", "spy", msg)
            with open(flag_file, "w+") as file:
                file.write("Please delete me after restarting the download program.")
            logging.error("program stopped")

运行监控代码文件

在终端输入crontab -e打开定时管理任务，然后在文件中最后添加一行，内容如下：
*/30 * * * * python3 /home/ubuntu/detect.py
此代码表示每隔30min运行一次
注意：每次重新启动下载进程之后，务必删除flag文件（为了防止因为没有及时重启下载进程而浪费短信资源，在主目录~下输入rm flag即可删除此文件）

ubuntu系统配置基于CUDA 11.0的最新深度学习环境

晨曦的博客

2020年12月13日 17:24

1. 深度学习硬件环境参数

服务器的硬件配置如下：

CPU型号：2 * (Intel Xeon Gold 5218 @ 2.3GHz * 32)
内存大小：12 * (32GB 2663MHz)
GPU型号：8 * (GeForce GTX 2080 Ti)
硬盘：
- 系统（RAID 1）：2 * (960GB SSD) = 960GB
- 数据（RAID 6）：6 * (10T HDD 7200rpm) = 40TB

系统和各基础软件的版本都在下表中列出：

操作系统版本：Ubuntu 18.04-amd64
英伟达显卡驱动：nvidia-driver-450
CUDA版本：11.0.3
cuDNN版本：8.0.4
Python版本：3.6.9
tensorflow版本：tf-nightly-2.5.0.dev20201209

2. 深度学习系统环境配置

2.1 安装nvidia驱动

目前我使用过的方法有三种，按照便捷程度依次降低的顺序来介绍

推荐方法（在图形窗口操作）：
- 打开软件Software & Updates（系统和更新）
- 点击选项Additional drivers（附加驱动）
- 选定nvidia driver meta nvidia-450
- 点击按钮Apply changes（应用更改）

备用方法：

打开终端，依次输入以下命令：

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
sudo apt install nvidia-driver-450

最后的方法：访问nvidia官网下载适用于ubuntu的驱动包，一般为.run格式。然后在终端运行，根据提示操作即可

不管哪种方法，都需要重启电脑。然后，在终端输入nvidia-smi命令得到如下示例输出则表明安装成功

Thu Dec 10 15:42:47 2020       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 450.80.02    Driver Version: 450.80.02    CUDA Version: 11.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  GeForce RTX 208...  Off  | 00000000:3D:00.0 Off |                  N/A |
| 28%   30C    P8     9W / 250W |      6MiB / 11019MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   1  GeForce RTX 208...  Off  | 00000000:3E:00.0 Off |                  N/A |
| 27%   29C    P8     5W / 250W |      6MiB / 11019MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   2  GeForce RTX 208...  Off  | 00000000:40:00.0 Off |                  N/A |
| 27%   29C    P8    17W / 250W |      6MiB / 11019MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   3  GeForce RTX 208...  Off  | 00000000:41:00.0 Off |                  N/A |
| 27%   28C    P8    22W / 250W |      6MiB / 11019MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   4  GeForce RTX 208...  Off  | 00000000:B1:00.0 Off |                  N/A |
| 27%   29C    P8     3W / 250W |      6MiB / 11019MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   5  GeForce RTX 208...  Off  | 00000000:B2:00.0 Off |                  N/A |
| 27%   29C    P8    14W / 250W |      6MiB / 11019MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   6  GeForce RTX 208...  Off  | 00000000:B4:00.0 Off |                  N/A |
| 29%   31C    P8    20W / 250W |      6MiB / 11019MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   7  GeForce RTX 208...  Off  | 00000000:B5:00.0 Off |                  N/A |
| 27%   29C    P8     7W / 250W |      6MiB / 11019MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A     16810      G   /usr/lib/xorg/Xorg                  4MiB |
|    1   N/A  N/A     16810      G   /usr/lib/xorg/Xorg                  4MiB |
|    2   N/A  N/A     16810      G   /usr/lib/xorg/Xorg                  4MiB |
|    3   N/A  N/A     16810      G   /usr/lib/xorg/Xorg                  4MiB |
|    4   N/A  N/A     16810      G   /usr/lib/xorg/Xorg                  4MiB |
|    5   N/A  N/A     16810      G   /usr/lib/xorg/Xorg                  4MiB |
|    6   N/A  N/A     16810      G   /usr/lib/xorg/Xorg                  4MiB |
|    7   N/A  N/A     16810      G   /usr/lib/xorg/Xorg                  4MiB |
+-----------------------------------------------------------------------------+

2.2 安装CUDA

访问CUDA 11.0 Update 1的下载网址，选择适合自己操作系统版本的文件下载，然后打开终端依次输入以下命令：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.0.3/local_installers/cuda-repo-ubuntu1804-11-0-local_11.0.3-450.51.06-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1804-11-0-local_11.0.3-450.51.06-1_amd64.deb
sudo apt-key add /var/cuda-repo-ubuntu1804-11-0-local/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda

此时CUDA以及安装完毕，在终端输入cd /usr/local/cuda-11.0/bin && ./nvcc -V命令得到如下示例输出则表明安装成功

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Wed_Jul_22_19:09:09_PDT_2020
Cuda compilation tools, release 11.0, V11.0.221
Build cuda_11.0_bu.TC445_37.28845127_0

但是，为了方便下面深度学习软件的使用，还要把相关路径加入PATH。打开文件~/.profile（若不存在则新建），在文档末尾添加以下内容：

# set PATH for cuda 11.0 installation
if [ -d "/usr/local/cuda-11.0/bin/" ]; then
    export PATH=/usr/local/cuda-11.0/bin${PATH:+:${PATH}}
    export LD_LIBRARY_PATH=/usr/local/cuda-11.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
fi

重启计算机即可使环境变量生效

2.3 安装cuDNN

打开cuDNN的下载网址，然后点击cuDNN v8.0.4 (September 28th, 2020), for CUDA 11.0并根据自己的操作系统选择合适的版本。其中，cuDNN Runtime Library和cuDNN Developer Library是必须要下载的，cuDNN Code Samples and User Guide为可选项目。然后依次安装前面下载的3个文件：

sudo dpkg -i libcudnn8_8.0.4.30-1+cuda11.0_amd64.deb
sudo dpkg -i libcudnn8-dev_8.0.4.30-1+cuda11.0_amd64.deb
sudo dpkg -i libcudnn8-samples_8.0.4.30-1+cuda11.0_amd64.deb

此时，显卡已经配置完成

3. python3软件环境配置

创建基于python3的虚拟环境，然后安装深度学习需要用到的库：

# 安装python3开发库
sudo apt-get install python3-pip python3-venv
# 创建名称为myvenv的虚拟环境
python3 -m venv myvenv
# 激活myvenv虚拟环境
source myvenv/bin/activate
# pip安装深度学习相关第三方库
pip3 install tf-nightly -i https://pypi.python.org/simple

注意：

确保下载的是tf-nightly-2.5.0.dev20201209（目前的最新版）
使用pypi的镜像源可能导致版本不是最新的
tensorflow包目前还不支持CUDA 11.0，它最高支持CUDA 10.1
如果安装tensorflow遇到报错launchpadlib 1.10.6 requires testresources, which is not installed，执行以下代码：
```
# sudo apt install python3-widgetsnbextension
sudo apt install python3-testresources
```
4. Ubuntu 20.04系统注意事项
不同之处：CUDA版本号不变，但选择用于Ubuntu 20.04系统
不同之处：cuDNN版本选择8.0.5且用于Ubuntu 20.04系统
其他步骤同Ubuntu 18.04

普通视图

目录

1. CCStudio说明

1.1 软件配置情况

2. 构建镜像

2.1 自动

2.2 手动

3. 运行容器

4. CCStudio组件

5. 其他参考

目录

1. 总体说明

2. windows电脑配置以太网口

3. 雷达配置ip和网关和路由

4. windows开启路由转发功能

5. windows配置以太网共享无线网络

目录

介绍

代码

运行监控代码文件

目录

1. 深度学习硬件环境参数

2. 深度学习系统环境配置

2.1 安装nvidia驱动

2.2 安装CUDA

2.3 安装cuDNN

3. python3软件环境配置

4. Ubuntu 20.04系统注意事项