MAI（一）：比赛环境

CVPR2022 Mobile AI 比赛开发日志一，主要是开发环境配置和一些常用命令

Conda/Miniconda相关命令

• conda create -n [name] python=x.x 创建环境

• conda info –envs 查看本地环境

• conda create -n [name] –clone [path] 通过上一句查看路径进行本地环境复制（“深拷贝”），或者直接拷贝文件夹改名

• conda activate [name]

• conda env export > [name].yaml 将当前activate的环境导出参数文件，移植

• conda env create -f [name].yaml 新环境移植生效

• conda remove -name [name] –all 删除环境，或者直接envs删文件夹

• 改名建议info -e后直接去路径改文件夹名字就可以了

• linux miniconda安装：https://blog.csdn.net/qq_42951560/article/details/109152114

Linux相关命令&Shell语法

• df -hl 磁盘剩余容量

• ls -lht 当前目录下文件大小和总和

• cat /proc/meminfo 查内存 cat /proc/version 查系统版本

• cat /usr/local/cuda/version.txt 查看cuda版本

#有人之前想把数据集传回Windows本地处理再传上去，脚本几行就能干了  
source="/data0/lijiaqi/mai/depth_train/train/labels/depth/"  #源目录  
des="/data0/lijiaqi/mai/depth_train/val/labels/depth/"       #目标目录  
for i in $(seq 739)  
do      
	mv $source$i".png" $des;  
done  
#或者  
for i in {0..739}  do      
	mv ${source}${i}".png" ${des}  
done  

#以下用于home盘满了移动miniconda/anaconda  
mv anaconda3 new_path     #绝对路径  
ln -s new_path old_path   #new_path-现在的绝对路径 old_path-原来的anaconda路径

• to be continue..

CUDA&cudnn配置

1. CUDA版本与显卡型号、驱动版本有关，可以去官网查，不过一般我们的其他部分如tensorflow对cuda有要求，装满足要求的最新版本就行

非root用户装CUDA：

1. CUDA Toolkit Archive | NVIDIA Developer挑一个，一般就10.0，10.1，10.2，11.0，11.2 以11.2为例，这么选

2. cd到合适目录，

wget https://developer.download.nvidia.com/compute/cuda/11.2.0/local_installers/cuda_11.2.0_460.27.04_linux.run #完成之后
chmod 755 cuda_11.2.0_460.27.04_linux.run#可能加.run可能不加，或者
chmod +x cuda_11.2.0_460.27.04_linux.run
sh cuda_11.2.0_460.27.04_linux.run
#这一步可能因为/temp容量不够会报错，百度一下错误命令里加个tempdir应该就行或者清一下temp就行（不敢乱删hh）#e.g. sh cuda_11.0.3_450.51.06_linux.run --tmpdir=/home/cqy/tmp
#出Log file not open. Segmentation fault 删掉/tmp下的cuda-installer.log，注非root用户可能删不了这个log，只能换cuda版本

只装cuda，需要改option:



之后一路选done然后install就行 安装好了

vim ~/.bashrc   #跳到最后加上，然后正常vim编辑esc :wq退出就行   
export PATH=your_path/bin${PATH:+:${PATH}}   
export LD_LIBRARY_PATH=your_path/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}   
export CUDA_HOME=your_path #记得把所有的your_path换成你的安装绝对路径 例：/data0/lijiaqi/cuda11.0   
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:your_path/lib64   
export LD_LIBRARY_PATH=your_path/extras/CUPTI/lib64:$LD_LIBRARY_PATH  
#这一段的参考https://blog.csdn.net/qq_40860083/article/details/124738346   
#退出之后   
source ~/.bashrc   
nvcc --version

CUDA装好了，接下来装cudnn

cd cuda11.2
tar -xvf cudnn-11.2-linux-x64-v8.1.1.33.tgz #解压
#还有几个文件需要手动移动一下
cp cuda/include/cudnn.h your_path/include/ #这里的your_path是安装cuda的绝对路径；默认为在这个文件夹下操作
cp cuda/lib64/libcudnn* your_path/lib64/
chmod a+r your_path/include/cudnn.h
chmod a+r your_path/lib64/libcudnn*
#https://blog.csdn.net/qq_40860083/article/details/124738346
#检查cudnn安装
cat your_path/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
#e.g cat /data3/lijiaqi/cuda11.2/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

Tensorflow安装与基本知识、操作

安装

import tensorflow as tf
gpu_device_name = tf.test.gpu_device_name()
print(gpu_device_name)#查看tf-gpu是否可用

• 6月2日注：
若要求需要剪枝，tf应采用2.5.0及以上版本，e.g.



否则会报一个相当诡异的多头注意力没有的错误，博主sinysama的博客也踩过这个坑，真是相见恨晚。