cuda的卸载方法网上都有很多，这些方法大同小异，几乎都是错的，我在卸载cuda时基本试了个遍，各种踩坑。 能查到的方法一般都是从官方文档搬过来的，然而这种使用apt-get --purge remove命令的方法并不能将cuda完全卸掉。这里把官方文档的方法贴出来：
但是发cuda9很难卸载干净，安装cuda8时又给我自动安装到cuda9去了，后来终于成功干净彻底地删除cuda9了，于是记录一下
配合上Tap补全功能，其实也蛮快的，反正目前我就想到这个办法，不知道还有什么更好的办法
对于cuda8.0、cuda7.5的卸载都可以兼容 安装cuda9.0之后，电脑原来的NVIDIA图形驱动会被更新，NVIDIA Physx系统软件也会被更新(安装低版cuda可能不会被更新)。卸载时候要注意了，别动这2个。
由于需要使用Tensorflow，需要安装CUDA与和cuDNN，第一次安装时，安装的CUDA版本太高，导致无法和Tensorflow匹配，因此需要卸载掉CUDA。 卸载的方法： 网上有说明可以通过以下语句卸载，但我并没有在相应目录下面找到卸载脚本，
对于一个刚玩CUDA菜鸟来说，安装问题就是一个巨大的坑，安装过程里面有很多需要注意的细节，很多自定义的选项，如果漏选，对编译GPU版本的Caffe会出现一些莫名奇妙的问题。为此，会经常出现卸载CUDA，再安装CUDA的问题，所以对于CUDA的卸载与安装就会有一些注意事项，现在总结一下。
（1）在控制面板中打开 【程序】–> 【程序和功能】 （2）确定要卸载的内容，图中红框内的内容 （3）删除C盘里面C:\Program Files\NVIDIA GPU Computing Toolkit文件夹，NVIDIA GPU Computing Toolkit这个文件夹删除。 （3）留下：NVIDIA的图形驱动程序、NVIDIA Physx系统软件、NVIDIA GeForce Experience，我这没有后面俩，不知道为啥。
版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/u012436149/article/details/53163346
CUDA（Compute Unified Device Architecture，统一计算架构）是由NVIDIA所推出的一种集成技术，是该公司对于GPGPU的正式名称。
https://tensorflow.google.cn/install/source
最近在学习PaddlePaddle在各个显卡驱动版本的安装和使用，所以同时也学习如何在Ubuntu安装和卸载CUDA和CUDNN，在学习过程中，顺便记录学习过程。在供大家学习的同时，也在加强自己的记忆。本文章以卸载CUDA 8.0 和 CUDNN 7.05 为例，以安装CUDA 10.0 和 CUDNN 7.4.2 为例。
首先不用着急挑选CUDA的版本。我们先看下pytorch以及cuDNN的版本支持情况。
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/details/53762171
安装完cuda9.1才发现和tensorflow不兼容…………………… 只好到官网重新下载9.0和对应的cudnn。
报错cannot find -lcudart/cannot find -lcusparse的修复
(3). 安装cuda8.0, 已有的不需要安装 官网下载cuda8.0,网速慢的话
上文提到显卡驱动和CUDA的安装，你们真的因为一切这么流畅么？当然不是，不然我也不会说是“踩坑”之旅了，因为驱动下错了，就搞了半天，这里记录一下如何卸载驱动和CUDA。
之后，按照提示安装，成功后重启即可。 如果提示安装失败，不要着急重启；可重复上述步骤，多试几次。
先安装grid驱动，然后安装cuda环境时注意不要安装显卡驱动，否则会冲掉grid驱动
1).run形式安装cuda。清理原有显卡驱动后，先安装自己显卡对应的驱动，在步骤中出现”Would you like to run the nvidia-xconfig utility to automatically update your X configuration file…”时，选择 No。（这里是cuda自带的旧版本的驱动）。
对于刚接触人工智能领域不久的我而言，装 CUDA 等一些跑模型需要用到的工具是一件痛苦的事，稍不注意就会导致版本依赖问题，最终可能会需要你把前面安装的东西都卸载掉并重新下载，故本文记录如何卸载 CUDA 使得卸载干净。
此篇博客记录一下TLinux系统安装显卡NVIDIA驱动与CUDA10/11的艰难过程。
问题描述：为了把之前的CPU版本的tensorflow卸载，换成GPU版本的tensorflow，经历了一番折腾。
3. run方式安装cuDNN 参考博客 CUDA、CUDNN在Ubuntu下的安装及配置
假设已经装好了pycharm、anaconda，并且新建了一个conda虚拟环境（我的虚拟环境名为pytorch）。接下来需要安装新版的显卡驱动，安装cuda、cudnn、pytorch和torchvision，这几个环境的版本互相关联，为了能使用更新的项目，尽量安装最新版本的环境。
本节详细说明一下深度学习环境配置，Ubuntu 16.04 + Nvidia GTX 1080 + Python 3.6 + CUDA 9.0 + cuDNN 7.1 + TensorFlow 1.6。 Python 3.6 首先安装 Python 3.6，这里使用 Anaconda 3 来安装，下载地址：https://www.anaconda.com/download/#linux，点击 Download 按钮下载即可，这里下载的是 Anaconda 3-5.1 版本，如果下载速度过慢可以选择使用清华
全网最详细 | Windows 安装 TensorFlow2.0 GPU 详细教程
注：虽有的卡驱动更新至较新版本，且CUDA Toolkit及PyTorch也可对应更新至新版本。但有的对应安装包无法使用，有可能是由于卡太旧的原因。
之前用的和学习的都是pytorch框架，现在要运行一个keras的代码，得安装tensorflow和keras，按一个教程，直接在pycharm里setting，点那个+很快就装好了tensorflow和keras，运行了几次发现运行特别慢，用nvidia-smi查看，发现根本没有用pgu跑，一番查找，最后发现安装的tensorflow本身是按CPU跑的，要用GPU跑，得安装tensorflow-gpu。 以下主要参考了https://blog.csdn.net/qq_38502918/article/details/108009692进行操作，成功安装了tensorflow-gpu版本的。 记录以下安装过程。 重点： CUDA的版本要与tensorflow-gpu的一定要对应，否则会出错。 注意点： 安装好tensorflow-gpu后，安装对应版本的keras版本。 https://blog.csdn.net/weixin_40109345/article/details/106730050
之前我已经安装了anaconda，现在检查它的版本以及环境。发现有tensorflow环境，但我需要tensorflow-gpu的环境，所以输入conda uninstall tensorflow卸载了，
在ubuntu上配置tensorflow 1.7+CUDA踩过的坑 tensorflow1.6+CUDA9.0+cuDNN7.0整个环境在windows下正常工作。因为需要就要把项目整到ubuntu上面跑测试，于是就调到坑里面去了，先说一下版本 ubuntu 14 64位 python3.4 tensorflow1.7 GPU 网上查了一下说tensorflow1.7支持CUDA9.0，于是就下载了CUDA9.0开始安装，但是死活装不上，不管是下载local还是network的installer，总是报错，
在我刚刚发的【2024保姆级图文教程】深度学习GPU环境搭建：Win11+CUDA 11.7+Pytorch1.12.1+Anaconda 深度学习环境配置 文章中（跳转链接：保姆级教程深度学习环境）
大家好，又见面了，我是你们的朋友全栈君。 CUDA9.0+cuDNNv7+WIN10+1060显卡 一.驱动文件下载 1.上tensorflow官网。查看本机硬件和系统支持的tensorflow
官网网址：https://www.nvidia.com/Download/index.aspx?lang=en-us
Persist in sharing and promote mutual progress
Ubuntu安装Caffe出现无法登陆图形界面或者循环登陆（Loop Login）问题，一般都是由于显卡驱动或者Cuda低版本的一些不兼容问题。
安装tensorflow-gpu，需特别注意tensorflow-gpu、Python、CUDA、cuDNN版本的适配信息，版本不适配会导致tensorflow-gpu安装失败，该安装教程选择的软件版本信息为：ubuntu18.04 + Anaconda3.5.3.1 + Python3.6.12 + tensorflow-gpu2.2.0 + CUDA10.1 + cuDNN7.6.5
这个错误一般表示你的CUDA驱动版本不兼容当前的CUDA运行时版本。这篇文章将向你展示如何解决这个问题。
sudo gedit /etc/modprobe.d/blacklist.conf
OpenCV是一个跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。
在使用 NVCC 编译 CUDA 代码时，有时候会遇到错误信息 nvcc fatal: Unsupported gpu architecture 'compute_75'。这个错误通常表示当前的 GPU 架构不受支持，需要采取一些步骤来解决这个问题。
Ubuntu 16.04 + cuda9.0 + cudnn7.0 或 Ubuntu 16.04 + cuda8.0 + cudnn5.1
代码链接上一篇文章已经显示。目前最新版的SECOND已经集成了PointPillars功能。
在Ubuntu命令行输入 code .（有空格），等待下载VS Code Server for x64并安装
ERROR: Cannot uninstall ‘wrapt’. It is a distutils installed project and thus we cannot accurately determine which files belong to it which would lead to only a partial uninstall.
深度学习第一问是关于环境配置的。之前笔者也在深度学习60讲系列中讲到如何配置深度学习开发环境的问题：深度学习笔记15：ubuntu16.04 下深度学习开发环境搭建与配置。但环境配置并不是一路顺利的，总有些奇奇怪怪的问题让人头疼，所以，在第一问中笔者选取了几个典型的环境配置的错误供大家参考。
最近需要用GPU来进行tensorflow进行训练，发现需要安装cuda 9.0版本才可以，因为tensorflow默认的就是cuda 9.0，为了减少对tensorflow源码进行重构的时间，将之前的cuda8.0版本进行了卸载，然后再安装cuda 9.0
$ lspci | grep -i nvidia 我的显示为Tesla P800
本文记录错误 Failed to initialize NVML: Driver/library version mismatch 错误解决方案。 问题复现 $ nvidia-smi --> Failed to initialize NVML: Driver/library version mismatch 问题分析 NVIDIA 内核驱动版本与系统驱动不一致 查看显卡驱动所使用的内核版本 cat /proc/driver/nvidia/version --> NVRM version: NV
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
