网上教程一大推，讲了一大堆，也没解释原理，实用的没几个，自己总结的，比较简单note：无需卸载原机器驱动，无需禁用nouveau驱动原因：上面我们看到系统的驱动版本为450.80.02，而nvidia官网上要求的驱动版本为455.23.05，这里安装此.run文件不影响，那么为啥呢？因为每台机器不可能都适用455.23.05驱动，都安装成此版本，好多机器没法用显卡了，英伟达没那么蠢，只是建议使用该

一、多个cuda版本1、sudo ubuntu-drivers autoinstall 安装驱动，会自带一个cuda，这个cuda是一个版本（通过 nvidia-smi 查看）2、从官网上下载，并安装cuda在/usr/local下，此时又是一个cuda版本（通过 cat /usr/local/cuda/version.txt 查看）1和2两种安装cuda方法，https://blog.csdn.

1、卸载sudo /usr/bin/nvidia-uninstall2、安装ubuntu-drivers devices安装推荐的sudo apt install nvidia-driver-460-server

问题描述：1、当用pycharm连接多台服务器，对应多个项目时；2、即本地有多个项目文件夹，分别对应远程多个文件夹；3、已打开Automatic Upload；4、软件左下角显示：Couldn’t refresh skeletons for remote interpreter: Can’t get remote credentials for deployment server 2gpu_hko

安装docker后无法ssh连接远程服务器

进入cudnn下载页面，需注册并登录tar -xvf test.tar选择cuDNN Library for Linux (x86_64)，一定要选这个哦，这个安装最简单，无需在乎系统版本，只需关注cuda版本然后复制下载链接，下载到服务器（wget -c 链接），或者下载到window，上传到linux上解压文件，解压后目录为cuda，蛋疼！tar -xvf cudnn-11.2-linux-x

【代码】服务器间迁移conda环境。

使用conda安装管理环境，非常便捷，降低了深度学习的门槛，然而，过了这个门槛这里面还有坑！1、使用conda安装tensorflow gpu版本conda create -n tf python==3.7conda install tensorflow-gpu默认安装cudatoolkit和cudnn，也就是说cuda和cudnn都不需要你手动安装，一行命令搞定cuda和cudnn，如果你电脑上

1、导入需要的库from keras.utils.np_utils import to_categoricalfrom sklearn import preprocessing2、当使用keras默认参数时（num_classes=None）x = [1, 2, 3]y= to_categorical(x)发现把x分为了4个类别，0、1、2、33、当使用keras自定义参数时（num_classe

参考：https://forums.developer.nvidia.com/t/setting-up-nvidia-persistenced/47986/10