1.下载想要安装的cudnn下载链接：2.下载完成后解压所下载的cudnn压缩包bashtarxvfcudnn10.1osxx64v7.6.2.24.tgz3.复制文件bashsudocpcuda/include//usr/local/cuda/includesudocpcuda/lib//usr/local/cuda/lib64注：cp目录需要根据实际进行修改。

TensorRT是NVIDIA自家的高性能推理库，其列出了各资料入口，如下：本文基于当前的TensorRT8.2版本，将一步步介绍从安装，直到加速推理自己的ONNX模型。安装进选择版本下载，需注册登录。本文选择了TensorRT8.2.2.1.Linux.x8664gnu.cuda11.4.cudnn8.2.tar.gz，可以注意

最近有一个需求是测试单独算子在CPU、Caffe使用的GPU、cuDNN上的性能，一个是使用caffe的time问题，还有一个是使用单独的test功能。time选项的使用，大家都比较熟悉，单独的test功能，需要专门设置一下。上次编译Caffe的博客中提到https://www.cnblogs.com/jourluohua/p/9191322.htm

环境：ubuntu18nvidia430cuda10.0cudnn7.6.0tensorflowgpu2.0.0调用 layers.Conv2D()就报错，报错信息：Epoch1/52019101121:50:00.814925:Itensorflow/stream_executor/p

caffe21.caffe2的安装方法有几种。其中最方便的是condainstall。但是要求必须安装Anaconda。condainstallccaffe2caffe2cuda8.0cudnn7注意：cudnn的版本需要升级，未实验过cudnn5或cudnn6。如果gcc版本小于5，需要指明gcc版本，如：condai

需求：很多时候我们在GitHub找到的一些深度学习代码，由于环境依赖等原因无法跑通，比如基于tf编写的代码库，由于tf各版本API变得非常大（大坑），要想复现最简单的办法是配置和作者相同的tf环境，相应带来的麻烦是cuda版本和cudnn的重新配置，非常麻烦。解决方案：一个可行的解决方案是使用docker，pytorch和tenso

udnn安装注意点：cudnn的安装其实很简单，关键点是一定要安装cuda对应的cudnn包，本机中安装的cuda7.5所以对应的cudnn为v5.1这很重要，我就是安装错了版本，导致后面caffe的编译总是出错。cudnn安装步骤：1、从官网上下载cudnn的安装包。2、将安装包解压,将此安装包放在home路径下即可，并在当前路径下