以前装过arm架构下的深度学习环境还是有点麻烦的，在此记录一下
参考：https://blog.csdn.net/condom10010/article/details/128139401?ops_request_misc=&request_id=&biz_id=102&utm_term=orin%E5%B9%B3%E5%8F%B0%E6%9E%B6%E6%9E%84%E9%85%8D%E7%BD%AEtorch%E7%8E%AF%E5%A2%83&utm_medium=distribute.pc_search_result.none-task-blog-2allsobaiduweb~default-3-128139401.142v100control&spm=1018.2226.3001.4187
https://blog.csdn.net/qq_58728069/article/details/136292802?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171759001916800227447557%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=171759001916800227447557&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~rank_v31_ecpm-6-136292802-null-null.142v100control&utm_term=orin%E5%B9%B3%E5%8F%B0%E6%9E%B6%E6%9E%84%E9%85%8D%E7%BD%AEtorch%E7%8E%AF%E5%A2%83&spm=1018.2226.3001.4187
arm架构下torch环境的安装
1. 查看arm域控 cuda 版本
nvcc -V
出现cuda版本cuda已完成安装
2. 下载archconda
a) 命令sh Archiconda3-0.2.3-Linux-aarch64.shb) 可能bash会报错 sudo gedit ~/.condarc 查看 将export行显示conda安装路径留着把报错的行删掉c) 可能需要换源d) 创建虚拟环境 conda create -n 环境名 python=3.8e) 激活 conda activate 环境名f) 禁用初始bash环境自启conda config --set auto_activate_base false
3. 选用适合的pytorch版本
a) 网址[https://forums.developer.nvidia.com/t/pytorch-for-jetson/72048](https://forums.developer.nvidia.com/t/pytorch-for-jetson/72048)b) 推荐选择python3.8对应的torch版本c) 在虚拟环境下 运行pip install torch----------
4. 选择合适的torchvision版本
**a) 由于pip install torchvision==版本号 不支持arm架构 所以需要编译torchvision源码**b) 查看torch和torchvision对应关系 网址[https://pytorch.org/get-started/previous-versions/](https://pytorch.org/get-started/previous-versions/)c) 然后去对应github上下载对应版本[https://github.com/pytorch/vision/tree/v0.13.0](https://github.com/pytorch/vision/tree/v0.13.0)d) 下载完成解压后进入目录 安装依赖包i. sudo apt-get install libopenblas-base libopenmpi-devii. pip install Cython 注意要在虚拟环境下安装iii. export BUILD_VERSION=0.13.0 iv. python setup.py install –user 注意编译过程很漫长 会报warning 但是不用介意v. 编译完成即可
环境检查的程序：
使用对应的python环境，然后：
import torchclass check_all:"""检测当前设备torch、tensorflow安装状态"""def __init__(self):"""常量"""torchvision = __import__("torchvision")tf = __import__("tensorflow")self.tensorflow_version = tf.__version__self.tensorflow_is_gpu = tf.test.is_built_with_cudaself.torch_version = torch.__version__self.cuda_version = torch.version.cudaself.torchvision_version = torchvision.__version__self.use_device = torch.cuda.current_device()p = torch.cuda.get_device_properties(self.use_device)self.gpu_size = int(p.total_memory/ 1024 ** 3)self.device_number = torch.cuda.device_count()self.gpu_name = torch.cuda.get_device_name(self.use_device)self.gpu_capability = torch.cuda.get_device_capability(self.use_device)def check(self):"""检测输出"""print("tensorflow版本{}".format(self.tensorflow_version))print("tensorflow是否为CUDA显卡驱动：{}".format("是"if self.tensorflow_is_gpu else "不是"))print("CUDA版本:{}".format(self.cuda_version))print("pytorch版本:{}\ntorchvision版本:{}".format(self.torch_version,self.torchvision_version))print("pytorch是否为CUDA显卡驱动：{}".format("是" if torch.cuda.is_available() else "不是"))print("当前设备显卡数量为:{},使用设备编号为:{}".format(self.device_number,self.use_device))print("当前使用的设备显卡名称为：{}".format(self.gpu_name))print("当前显卡算力为：{}\n当前显卡的内存大小为:{}GB".format(self.gpu_capability,self.gpu_size))if __name__ == '__main__':check = check_all()check.check()
这里也在检查tensorflow，也可以使用源码安装，直接就能安装（在对应的python环境下）
pip install tensorflow-2.8.0+nv22.4-cp38-cp38-linux_aarch64.whl
，pair)
)
