大家好，我是消失了一个小春节的小鱼，春节忙着设计新的小产品，一直在努力，这两天又跑广州来了，今天周末，抽空给笔记本的显卡装个驱动，顺便搞了个pytorch 的GPU配置，小鱼折腾的详细步骤如下，希望对你有用。
多年前小鱼也写过相关文章，找出来镇楼：
gazebo又卡又慢？快把你的显卡用起来！点击查看如何使用显卡运行gazebo~
以下内容由GPT组织，GPT味道有点重。
在Ubuntu 22.04笔记本上安装NVIDIA驱动和CUDA，以及配置PyTorch Docker环境是一项重要的任务，特别是对于需要进行深度学习开发的用户。在本文中，我们将详细介绍如何完成这些步骤。
安装NVIDIA驱动
首先，我们需要选择适合我们硬件的NVIDIA驱动。我们可以从NVIDIA官方网站（https://www.nvidia.cn/Download/index.aspx?lang=cn）下载所需的驱动版本。然后，我们可以通过以下步骤安装：
- 下载驱动并解压缩。
- 打开终端，使用
sudo命令运行驱动安装脚本，例如：sudo bash xxx.run，其中xxx是驱动安装文件的名称。 - 安装完成后，可能会遇到错误消息：“NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.”。解决此问题，我们需要执行以下步骤：
sudo prime-select nvidia
grep nvidia /etc/modprobe.d/* /lib/modprobe.d/*然后找到含有blacklist nvidia的文件并删除，最后运行：
sudo update-initramfs -u之后重新启动电脑。
- 重新启动后，使用
nvidia-smi命令可以验证驱动是否正确安装。
配置PyTorch Docker环境
最后，我们将配置PyTorch的Docker环境以便进行深度学习开发。
- 首先，我们需要安装
nvidia-docker2，它是一个用于在Docker容器中访问NVIDIA GPU的工具。
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
&& curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo apt-key add - \
&& curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker- 安装完成后，我们可以使用以下命令在PyTorch的Docker容器中验证NVIDIA GPU的可用性以及PyTorch的安装：
sudo docker run --rm -it --gpus all pytorch/pytorch:2.2.1-cuda12.1-cudnn8-runtime /bin/bash在容器中，我们可以运行Python并导入PyTorch库，然后使用torch.cuda.is_available()来验证CUDA是否可用。
root@713d71c41d67:/workspace# python3
Python 3.10.13 (main, Sep 11 2023, 13:44:35) [GCC 11.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> torch
torch
>>> torch.cuda.is_available()
True通过以上步骤，我们成功地在Ubuntu 22.04笔记本上安装了NVIDIA驱动、CUDA Toolkit，并配置了PyTorch的Docker环境，使得我们可以在GPU加速的环境中进行深度学习开发。
本来还想装个autoware的，结果显卡内存不够：
装上也是阉割检测功能的，后面换设备了，有空再折腾。
