在 WSL2-NVIDIA-Workbench 中安裝Anaconda、CUDA 13.0、cuDNN 9.12 及 PyTorch（含完整環境驗證）

在 WSL-NVIDIA-Workbench（NVIDIA AI Workbench & Ubuntu 22.04）中

安裝 Anaconda、CUDA 13.0、cuDNN 9.12 及 PyTorch
?

步驟也可參閱：

在WSL2-Ubuntu中安裝Anaconda、CUDA13.0、cuDNN9.12及PyTorch（含完整環境驗證）-CSDN博客

【筆記】NVIDIA AI Workbench 安裝記錄_NVIDIA AI Workbench使用指南-CSDN博客

【深度學習環境搭建】WSL-NVIDIA-Workbench 中安裝 Anaconda-CSDN博客

【筆記】NVIDIA AI Workbench 中 sudo 密碼問題排查與解決_[sudo] password for-CSDN博客

【筆記】NVIDIA AI Workbench 中安裝 CUDA 12.9_cuda12.9安裝-CSDN博客

【筆記】NVIDIA AI Workbench 中安裝 cuDNN 9.10.2_apt安裝cudnn-CSDN博客

【筆記】NVIDIA AI Workbench 中安裝 PyTorch_pytorch 2.8.0-CSDN博客

0 環境說明

項目實際值 & 關鍵說明
發行版NVIDIA-Workbench（WSL2-Ubuntu 22.04 純凈鏡像，無預裝 Python、Anaconda、CUDA 依賴）
宿主驅動與 CUDA 兼容性宿主 Windows 安裝?NVIDIA 驅動 581.08（通過?nvidia-smi?檢測），該驅動原生支持?CUDA 13.0（nvidia-smi?顯示 CUDA Version: 13.0，即驅動最高兼容 CUDA 13.0）
目標在 NVIDIA-Workbench 中（NVIDIA AI Workbench）安裝并啟用 CUDA 13.0 全鏈路（驅動匹配，無需降級適配，PyTorch 可直接調用兼容的 CUDA 版本）

1 首次更新系統

sudo apt update && sudo apt upgrade -y

  • 命令作用：更新系統軟件源及依賴庫，避免后續安裝時因依賴缺失導致失敗
  • 預期輸出（只截取了部分關鍵片段）：
Hit:1 http://archive.ubuntu.com/ubuntu jammy InRelease
Hit:2 http://archive.ubuntu.com/ubuntu jammy-updates InRelease
...
Fetched 21.8 MB in 8s (2684 kB/s)
77 upgraded, 46 newly installed, 0 to remove and 9 not upgraded.
...
Processing triggers for libc-bin (2.35-0ubuntu3.8) ...

2 安裝 Anaconda（保持不變，補充下載校驗）

2.1 下載并執行安裝腳本

cd /tmp
# 下載 Anaconda 3 2025.07 穩定版（適配 Python 3.12）
wget https://repo.anaconda.com/archive/Anaconda3-2025.07-Linux-x86_64.sh
# 執行安裝（按提示輸入 yes 并確認路徑）
bash Anaconda3-2025.07-Linux-x86_64.sh

  • 關鍵交互：最終提示?Do you wish the installer to initialize Anaconda3??時輸入?yes，其他交互默認按 回車 鍵確認并繼續即可，最新版本一般無須過多干預。

2.2 驗證安裝

source ~/.bashrc
conda --version

  • 預期輸出：

conda 25.07.1

3 安裝 CUDA Toolkit 13.0

CUDA 與 cuDNN 免登錄下載政策詳解（基于官方權威信息）_cudnn下載-CSDN博客

CUDA Toolkit 13.0 Downloads | NVIDIA Developer

3.1 復制?NVIDIA 官網安裝命令

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-13-0

3.2 安裝 CUDA 13.0 工具包

在?NVIDIA-Workbench 終端中粘貼全部命令并按 回車 鍵執行：

  • 預期輸出：
(base) workbench@AI:/mnt/f/PythonProjects/SkyReels-V2$ wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-13-0
--2025-08-29 19:20:07--  https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
Connecting to 127.0.0.1:7897... connected.
Proxy request sent, awaiting response... 200 OK
Length: 4328 (4.2K) [application/x-deb]
Saving to: ‘cuda-keyring_1.1-1_all.deb’cuda-keyring_1.1-1_all.deb                                                  100%[===========================================================================================================================================================================================>]   4.23K  --.-KB/s    in 0s      2025-08-29 19:20:10 (1.90 GB/s) - ‘cuda-keyring_1.1-1_all.deb’ saved [4328/4328]
……省略
配置環境變量

# 追加 CUDA 環境變量至 bash 配置文件（永久生效）
echo 'export CUDA_HOME=/usr/local/cuda-13.0' >> ~/.bashrc
echo 'export PATH=$CUDA_HOME/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$CONDA_PREFIX/lib:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc# 驗證環境變量
echo $CUDA_HOME

  • 預期輸出：
/usr/local/cuda-13.0

3.3 驗證 CUDA 工具包安裝

nvcc --version# 或
nvcc -V

  • 預期輸出（顯示 CUDA 13.0?編譯器版本）：
(base) workbench@AI:/mnt/f/PythonProjects/SkyReels-V2$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2025 NVIDIA Corporation
Built on Wed_Jul_16_07:30:01_PM_PDT_2025
Cuda compilation tools, release 13.0, V13.0.48
Build cuda_13.0.r13.0/compiler.36260728_0

4 安裝 cuDNN 9.12

CUDA 深度神經網絡庫 (cuDNN) | NVIDIA 開發者

conda install nvidia::cudnn cuda-version=13

或

conda install nvidia::cudnn=9.12 cuda-version=13
  • 預期輸出（顯示 cuDNN 相關庫文件）：
(base) workbench@AI:/mnt/f/PythonProjects/SkyReels-V2$ conda install nvidia::cudnn cuda-version=13
Channels:- defaults- nvidia
Platform: linux-64
Collecting package metadata (repodata.json): done
Solving environment: done## Package Plan ##environment location: /home/workbench/anaconda3added / updated specs:- cuda-version=13- nvidia::cudnnThe following packages will be downloaded:package                    |            build---------------------------|-----------------ca-certificates-2025.7.15  |       h06a4308_0         126 KBcertifi-2025.8.3           |  py312h06a4308_0         159 KBconda-24.11.3              |  py312h06a4308_0         1.1 MBcuda-nvrtc-13.0.48         |       h432ef4e_0        65.3 MB  nvidiacuda-version-13.0          |                3          17 KB  nvidiacudnn-9.12.0.46            |       ha5d3b03_0          13 KB  nvidialibcublas-13.0.0.19        |       h49e6dd0_0       374.7 MB  nvidialibcudnn-9.12.0.46         |       h97f9646_0       276.1 MB  nvidialibcudnn-dev-9.12.0.46     |       ha5d3b03_0          37 KB  nvidiaopenssl-3.0.17             |       h5eee18b_0         5.2 MB------------------------------------------------------------Total:       722.8 MBThe following NEW packages will be INSTALLED:cuda-nvrtc         nvidia/linux-64::cuda-nvrtc-13.0.48-h432ef4e_0 cuda-version       nvidia/noarch::cuda-version-13.0-3 cudnn              nvidia/linux-64::cudnn-9.12.0.46-ha5d3b03_0 libcublas          nvidia/linux-64::libcublas-13.0.0.19-h49e6dd0_0 libcudnn           nvidia/linux-64::libcudnn-9.12.0.46-h97f9646_0 libcudnn-dev       nvidia/linux-64::libcudnn-dev-9.12.0.46-ha5d3b03_0 The following packages will be UPDATED:ca-certificates                      2024.9.24-h06a4308_0 --> 2025.7.15-h06a4308_0 certifi                         2024.8.30-py312h06a4308_0 --> 2025.8.3-py312h06a4308_0 conda                              24.9.2-py312h06a4308_0 --> 24.11.3-py312h06a4308_0 openssl                                 3.0.15-h5eee18b_0 --> 3.0.17-h5eee18b_0 Proceed ([y]/n)? yDownloading and Extracting Packages:Preparing transaction: done                                                                                                                                                                                                                                                                                     
Verifying transaction: done                                                                                                                                                                                                                                                                                     
Executing transaction: done                                                                                                                                                                                                                                                                                     
(base) workbench@AI:/mnt/f/PythonProjects/SkyReels-V2$ conda list | grep cudnn  # 輸出“cudnn                     9.12.0.46          h2b6041c_0    nvidia”                                                                                                                                                       
cudnn                     9.12.0.46            ha5d3b03_0    nvidia
libcudnn                  9.12.0.46            h97f9646_0    nvidia
libcudnn-dev              9.12.0.46            ha5d3b03_0    nvidia
nvidia-cudnn-cu12         9.8.0.87                 pypi_0    pypi
(base) workbench@AI:/mnt/f/PythonProjects/SkyReels-V2$ ls $CONDA_PREFIX/lib/libcudnn*  # 顯示libcudnn.so、libcudnn_static.a等文件                                                                                                                                                                               
/home/workbench/anaconda3/lib/libcudnn.so         /home/workbench/anaconda3/lib/libcudnn_adv.so.9.12.0           /home/workbench/anaconda3/lib/libcudnn_engines_precompiled.so.9            /home/workbench/anaconda3/lib/libcudnn_graph.so         /home/workbench/anaconda3/lib/libcudnn_heuristic.so.9.12.0
/home/workbench/anaconda3/lib/libcudnn.so.9       /home/workbench/anaconda3/lib/libcudnn_cnn.so                  /home/workbench/anaconda3/lib/libcudnn_engines_precompiled.so.9.12.0       /home/workbench/anaconda3/lib/libcudnn_graph.so.9       /home/workbench/anaconda3/lib/libcudnn_ops.so
/home/workbench/anaconda3/lib/libcudnn.so.9.12.0  /home/workbench/anaconda3/lib/libcudnn_cnn.so.9                /home/workbench/anaconda3/lib/libcudnn_engines_runtime_compiled.so         /home/workbench/anaconda3/lib/libcudnn_graph.so.9.12.0  /home/workbench/anaconda3/lib/libcudnn_ops.so.9
/home/workbench/anaconda3/lib/libcudnn_adv.so     /home/workbench/anaconda3/lib/libcudnn_cnn.so.9.12.0           /home/workbench/anaconda3/lib/libcudnn_engines_runtime_compiled.so.9       /home/workbench/anaconda3/lib/libcudnn_heuristic.so     /home/workbench/anaconda3/lib/libcudnn_ops.so.9.12.0
/home/workbench/anaconda3/lib/libcudnn_adv.so.9   /home/workbench/anaconda3/lib/libcudnn_engines_precompiled.so  /home/workbench/anaconda3/lib/libcudnn_engines_runtime_compiled.so.9.12.0  /home/workbench/anaconda3/lib/libcudnn_heuristic.so.9

5 安裝 PyTorch

Get Started

# 安裝適配 CUDA 12.9 的 PyTorch (目前 PyTorch 最高支持到 CUDA 12.9)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu129

  • 預期輸出 （示例）：
(base) workbench@AI:/mnt/f/PythonProjects/SkyReels-V2$ pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129
Looking in indexes: https://download.pytorch.org/whl/cu129
Requirement already satisfied: torch in /home/workbench/anaconda3/lib/python3.12/site-packages (2.8.0.dev20250610+cu128)
Requirement already satisfied: torchvision in /home/workbench/anaconda3/lib/python3.12/site-packages (0.23.0.dev20250610+cu128)
Requirement already satisfied: filelock in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (3.13.1)
Requirement already satisfied: typing-extensions>=4.10.0 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (4.11.0)
Requirement already satisfied: setuptools in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (75.1.0)
Requirement already satisfied: sympy>=1.13.3 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (1.14.0)
Requirement already satisfied: networkx in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (3.3)
Requirement already satisfied: jinja2 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (3.1.4)
Requirement already satisfied: fsspec in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (2024.6.1)
Requirement already satisfied: nvidia-cuda-nvrtc-cu12==12.8.93 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (12.8.93)
Requirement already satisfied: nvidia-cuda-runtime-cu12==12.8.90 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (12.8.90)
Requirement already satisfied: nvidia-cuda-cupti-cu12==12.8.90 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (12.8.90)
Requirement already satisfied: nvidia-cudnn-cu12==9.8.0.87 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (9.8.0.87)
Requirement already satisfied: nvidia-cublas-cu12==12.8.4.1 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (12.8.4.1)
Requirement already satisfied: nvidia-cufft-cu12==11.3.3.83 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (11.3.3.83)
Requirement already satisfied: nvidia-curand-cu12==10.3.9.90 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (10.3.9.90)
Requirement already satisfied: nvidia-cusolver-cu12==11.7.3.90 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (11.7.3.90)
Requirement already satisfied: nvidia-cusparse-cu12==12.5.8.93 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (12.5.8.93)
Requirement already satisfied: nvidia-cusparselt-cu12==0.7.1 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (0.7.1)
Requirement already satisfied: nvidia-nccl-cu12==2.26.5 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (2.26.5)
Requirement already satisfied: nvidia-nvshmem-cu12==3.2.5 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (3.2.5)
Requirement already satisfied: nvidia-nvtx-cu12==12.8.90 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (12.8.90)
Requirement already satisfied: nvidia-nvjitlink-cu12==12.8.93 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (12.8.93)
Requirement already satisfied: nvidia-cufile-cu12==1.13.1.3 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (1.13.1.3)
Requirement already satisfied: pytorch-triton==3.3.1+gitc8757738 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torch) (3.3.1+gitc8757738)
Requirement already satisfied: numpy in /home/workbench/anaconda3/lib/python3.12/site-packages (from torchvision) (1.26.4)
Requirement already satisfied: pillow!=8.3.*,>=5.3.0 in /home/workbench/anaconda3/lib/python3.12/site-packages (from torchvision) (10.4.0)
Requirement already satisfied: mpmath<1.4,>=1.1.0 in /home/workbench/anaconda3/lib/python3.12/site-packages (from sympy>=1.13.3->torch) (1.3.0)
Requirement already satisfied: MarkupSafe>=2.0 in /home/workbench/anaconda3/lib/python3.12/site-packages (from jinja2->torch) (2.1.3)

6 一鍵驗證

6.1 宿主 Windows 驅動檢測（佐證兼容性）

先在 Windows 終端執行?nvidia-smi，確認驅動與 CUDA 支持情況（實際輸出）：

C:\Users\love>nvidia-smi
Sat Aug 30 21:22:56 2025
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 581.08                 Driver Version: 581.08         CUDA Version: 13.0     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                  Driver-Model | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA GeForce RTX 3090      WDDM  |   00000000:01:00.0 Off |                  N/A |
|  0%   44C    P8             21W /  350W |    7107MiB /  24576MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

  • 關鍵結論：Driver Version: 581.08?對應?CUDA Version: 13.0，證明驅動原生支持 CUDA 13.0。

6.2 WSL 內全鏈路驗證

python - <<'PY'
import torch, subprocess
# 1. 驗證 PyTorch 版本
print("1. PyTorch 版本 :", torch.__version__)
# 2. 驗證 PyTorch 關聯的 CUDA 版本（預期 < 13.0）
print("2. PyTorch 關聯 CUDA 版本 :", torch.version.cuda)
# 3. 驗證 cuDNN 版本
print("3. cuDNN 版本 :", torch.backends.cudnn.version())
# 4. 驗證 GPU 識別
print("4. 識別到的 GPU :", torch.cuda.get_device_name(0))
# 5. 驗證 nvcc 編譯器版本（預期 < 13.0）
print("5. nvcc 編譯器版本 :", subprocess.check_output(["nvcc","--version"]).decode().splitlines()[3])
# 6. 驗證 GPU 計算可用性
print("\n6. GPU 張量計算驗證:")
x = torch.randn(3,3, device='cuda')
y = torch.randn(3,3, device='cuda')
print("張量 X + Y:\n", x + y)
PY

或進入 Python 環境執行以下腳本：

import torch  # 導入 PyTorch 庫print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本號# 檢查 CUDA 是否可用，并設置設備（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("設備：", device)  # 打印當前使用的設備
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已啟用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已啟用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 創建兩個隨機張量（默認在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 將張量移動到指定設備（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 對張量進行逐元素相加
z = x + y# 打印結果
print("張量 z 的值：")
print(z)  # 輸出張量 z 的內容

  • 預期輸出（全鏈路適配 CUDA 13.0）：
(base) workbench@AI:/mnt/f/PythonProjects/SkyReels-V2$ python - <<'PY'
import torch, subprocess
# 1. 驗證 PyTorch 版本
print("1. PyTorch 版本 :", torch.__version__)
# 2. 驗證 PyTorch 關聯的 CUDA 版本（預期 < 13.0）
print("2. PyTorch 關聯 CUDA 版本 :", torch.version.cuda)
# 3. 驗證 cuDNN 版本
print("3. cuDNN 版本 :", torch.backends.cudnn.version())
# 4. 驗證 GPU 識別
print("4. 識別到的 GPU :", torch.cuda.get_device_name(0))
# 5. 驗證 nvcc 編譯器版本（預期 < 13.0）
print("5. nvcc 編譯器版本 :", subprocess.check_output(["nvcc","--version"]).decode().splitlines()[3])
# 6. 驗證 GPU 計算可用性
print("\n6. GPU 張量計算驗證:")
x = torch.randn(3,3, device='cuda')
y = torch.randn(3,3, device='cuda')
print("張量 X + Y:\n", x + y)
PY
1. PyTorch 版本 : 2.8.0.dev20250610+cu128
2. PyTorch 關聯 CUDA 版本 : 12.8
3. cuDNN 版本 : 90800
4. 識別到的 GPU : NVIDIA GeForce RTX 3090
5. nvcc 編譯器版本 : Cuda compilation tools, release 13.0, V13.0.486. GPU 張量計算驗證:
張量 X + Y:tensor([[-2.5236, -0.5435,  0.4742],[-1.2940, -1.5633, -0.1617],[ 0.9185,  0.5025, -0.4628]], device='cuda:0')

安裝 PyTorch 之后，程式會自動降級適配 CUDA 和 cuDNN ,只要不超過最高支持的 CUDA 版本即可。

7 FAQ（修正驅動與 CUDA 兼容性問題）

問題修正后答案
Workbench 是否自帶 Anaconda？否，需手動安裝
驅動 581.08 支持 CUDA 13.0 嗎？是，通過?nvidia-smi?檢測確認驅動原生支持 CUDA 13.0
PyTorch 應選擇哪個 CUDA 版本？cu129 穩定版，目前僅支持到 CUDA 12.9
CUDA 13.0 能否實際生效？能，驅動與工具包版本匹配，可正常用于模型訓練 / 推理

至此，基于?NVIDIA 驅動 581.08?的兼容性，已在 WSL-NVIDIA-Workbench 中完成 Anaconda、CUDA 13.0、cuDNN 9.12 及 PyTorch 的全鏈路適配安裝，無版本妥協，可直接用于深度學習開發。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/bicheng/95163.shtml
繁體地址，請注明出處：http://hk.pswp.cn/bicheng/95163.shtml
英文地址，請注明出處：http://en.pswp.cn/bicheng/95163.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

Shell編程核心入門：參數傳遞、運算符與流程控制全解析

Shell編程核心入門：參數傳遞、運算符與流程控制全解析

Shell編程核心入門&#xff1a;參數傳遞、運算符與流程控制全解析 在Linux/Unix系統中&#xff0c;Shell作為命令解釋器和腳本語言&#xff0c;是自動化運維、批量處理任務的核心工具。掌握Shell腳本的參數傳遞、運算符使用和流程控制&#xff0c;能讓你從“手動執行命令”升級…
閱讀更多...
如何用 Kotlin 在 Android 手機開發一個應用程序獲取網絡時間

如何用 Kotlin 在 Android 手機開發一個應用程序獲取網絡時間

使用 NTP 協議獲取網絡時間在 build.gradle 文件中添加以下依賴&#xff1a;implementation commons-net:commons-net:3.6創建 NTP 時間獲取工具類&#xff1a;import org.apache.commons.net.ntp.NTPUDPClient import org.apache.commons.net.ntp.TimeInfo import java.net.In…
閱讀更多...
python智慧交通數據分析可視化系統 車流實時檢測分析 深度學習 車流量實時檢測跟蹤 軌跡跟蹤 畢業設計?

python智慧交通數據分析可視化系統 車流實時檢測分析 深度學習 車流量實時檢測跟蹤 軌跡跟蹤 畢業設計?

博主介紹&#xff1a;?全網粉絲50W&#xff0c;前互聯網大廠軟件研發、集結碩博英豪成立軟件開發工作室&#xff0c;專注于計算機相關專業項目實戰6年之久&#xff0c;累計開發項目作品上萬套。憑借豐富的經驗與專業實力&#xff0c;已幫助成千上萬的學生順利畢業&#xff0c;…
閱讀更多...
計算機視覺第一課opencv（四）保姆級教學

計算機視覺第一課opencv（四）保姆級教學

目錄 簡介 一、輪廓檢測 1.查找輪廓的API 2.代碼分析 2.1.圖像二值化處理 2.2輪廓檢測 2.3輪廓繪制 2.4輪廓面積計算 2.5輪廓周長計算 2.6篩選特定面積的輪廓 2.7查找最大面積的輪廓 2.8繪制輪廓的外接圓 2.9繪制輪廓的外接矩形 二、輪廓的近似 三、模板匹配 簡…
閱讀更多...
基于Vue2+elementUi實現樹形 橫向 合并 table不規則表格

基于Vue2+elementUi實現樹形 橫向 合并 table不規則表格

1、實現效果 共N行&#xff0c;但是每一列對應的單元格列數固定&#xff0c;行數不固定2、實現方式說明&#xff1a;使用的是vue2 elementUI表格組件 js實現<template><div class"table-container" ><el-table height"100%" :span-metho…
閱讀更多...
深度學習在計算機視覺中的應用：對象檢測

深度學習在計算機視覺中的應用：對象檢測

引言 對象檢測是計算機視覺領域中的一項基礎任務&#xff0c;目標是在圖像或視頻幀中識別和定位感興趣的對象。隨著深度學習技術的發展&#xff0c;對象檢測的準確性和效率都有了顯著提升。本文將詳細介紹如何使用深度學習進行對象檢測&#xff0c;并提供一個實踐案例。 環境準…
閱讀更多...
node.js 安裝步驟

node.js 安裝步驟

在Node.js中安裝包通常通過npm（Node Package Manager）來完成，這是Node.js的包管理工具。以下是安裝Node.js和通過npm安裝包的基本步驟： 1. 安裝Node.js 方法一：使用nvm（Node Version Manager） 推薦使用nvm來安裝Node.js，因為它允許你安裝多個Node.js版本，并輕松地在…
閱讀更多...
面試-故障案例解析

面試-故障案例解析

一、NFS故障&#xff0c;造成系統cpu使用率低而負載極高。故障概述: 公司使用NFS為web節點提供共享存儲服務,某一天下午發現web節點CPU使用率低,而負載極高.登錄web節點服務器排查發現后段NFS服務器故障. 影響范圍: 網站看不到圖片了。 處理流程: 通過ssh登錄NFS服務…
閱讀更多...
醫療AI時代的生物醫學Go編程：高性能計算與精準醫療的案例分析(一)

醫療AI時代的生物醫學Go編程：高性能計算與精準醫療的案例分析(一)

摘要： 隨著高通量測序、醫學影像和電子病歷等生物醫學數據的爆炸式增長，對高效、可靠、可擴展的計算工具需求日益迫切。Go語言憑借其原生并發模型、卓越的性能、簡潔的語法和強大的標準庫，在生物醫學信息學領域展現出獨特優勢。本文以“生物醫學Go編程探析”為主題，通過三個…
閱讀更多...
針對 “TCP 連接建立階段” 的攻擊

針對 “TCP 連接建立階段” 的攻擊

針對 “TCP 連接建立階段” 的攻擊一、定義二、共性防御思路三、攻擊手段3.1、SYN 洪水攻擊&#xff08;SYN Flood&#xff09;3.2、Land 攻擊&#xff08;Land Attack&#xff09;一、定義 什么是針對 “TCP 連接建立階段” 的攻擊&#xff1f;核心特征是利用 TCP “三次握手…
閱讀更多...
聊一聊 單體分布式 和 微服務分布式

聊一聊 單體分布式 和 微服務分布式

微服務 與 單體架構對比維度單體架構微服務架構??架構本質??一個單一的、功能齊全的應用程序一組??小型、獨立??的服務集合??開發??團隊工作在同一個代碼庫&#xff0c;易產生沖突。技術棧統一。每個服務可以由?? 獨立的小團隊 ??負責&#xff0c;允許使用??…
閱讀更多...
【C++八股文】計算機網絡篇

【C++八股文】計算機網絡篇

網絡協議核心知識點詳解 TCP頭部結構 TCP頭部包含多個關鍵字段&#xff0c;每個字段都有其特定作用&#xff1a; 16位源端口&#xff1a;標識發送方應用程序的端口號16位目的端口&#xff1a;標識接收方應用程序的端口號32位序號&#xff1a;保證數據包有序傳輸的唯一標識32…
閱讀更多...
小迪Web自用筆記7

小迪Web自用筆記7

游戲一般不走http https協議&#xff0c;一般的抓包工具抓不到。科來&#xff0c;這個工具是從網卡抓包。你一旦打怪數據就會多起來↓但不是很專業。可以抓到https。wep↑這個西東是全部協議都做流量包&#xff0c;你不知道他是從哪兒來的&#xff0c;他全都抓&#xff08;專業…
閱讀更多...
現代 Linux 發行版為何忽略Shell腳本的SUID位？

現代 Linux 發行版為何忽略Shell腳本的SUID位？

在現代Linux系統中&#xff0c;為Shell腳本設置 SUID&#xff08;Set User ID&#xff09; 權限位幾乎是無效的。這個看似簡單的現象背后&#xff0c;是Linux內核設計者們在安全與便利性之間做出的一個至關重要的歷史性抉擇。要徹底理解這一點&#xff0c;我們需要深入到內核層…
閱讀更多...
Qt節點編輯器設計與實現：動態編輯與任務流可視化(一)

Qt節點編輯器設計與實現：動態編輯與任務流可視化(一)

文章目錄一、項目概述二、整體架構&#xff1a;模型-視圖分離的設計哲學1. 模型層&#xff1a;數據與業務邏輯的核心2. 視圖層&#xff1a;圖形渲染與用戶交互3. 交互層&#xff1a;連接模型與視圖的橋梁三、核心模塊解析1. 樣式管理系統&#xff1a;視覺表現的基石2. 圖形數據…
閱讀更多...
MySQL常見報錯分析及解決方案總結(4)---ERROR 1040(00000):Too many connections

MySQL常見報錯分析及解決方案總結(4)---ERROR 1040(00000):Too many connections

報錯信息&#xff1a;ERROR 1040(00000):Too many comnections異常效果&#xff1a;原因分析&#xff1a;“ERROR 1040 (00000): Too many connections” 是 MySQL 數據庫最常見的連接數超限錯誤&#xff0c;本質是 “當前試圖連接數據庫的客戶端數量&#xff0c;超過了 MySQL …
閱讀更多...
GRPO（組相對策略優化）：大模型強化學習的高效進化

GRPO（組相對策略優化）：大模型強化學習的高效進化

本文由「大千AI助手」原創發布&#xff0c;專注用真話講AI&#xff0c;回歸技術本質。拒絕神話或妖魔化。搜索「大千AI助手」關注我&#xff0c;一起撕掉過度包裝&#xff0c;學習真實的AI技術&#xff01; ? 1. GRPO概述&#xff1a;重新定義大模型強化學習效率 GRPO&#x…
閱讀更多...
【Canvas與戳記】藍底黃面十六角Premium Quality戳記

【Canvas與戳記】藍底黃面十六角Premium Quality戳記

【成圖】【代碼】<!DOCTYPE html> <html lang"utf-8"> <meta http-equiv"Content-Type" content"text/html; charsetutf-8"/> <head><title>藍底黃面十六角Premium Quality戳記 Draft1</title><style ty…
閱讀更多...
深度學習：洞察發展趨勢，展望未來藍圖

深度學習：洞察發展趨勢，展望未來藍圖

在科技飛速發展的當下&#xff0c;深度學習作為人工智能領域的璀璨明星&#xff0c;正以前所未有的速度重塑著各個行業的格局。從日常使用的智能語音助手&#xff0c;到醫療領域精準的疾病診斷&#xff0c;再到自動駕駛汽車對復雜路況的實時感知與決策&#xff0c;深度學習無處…
閱讀更多...
基于Docker部署的Teable應用

基于Docker部署的Teable應用

簡介Teable 是一款高性能多維表格本地化的解決方案&#xff0c;通過無代碼方式快速構建業務管理系統&#xff0c;支持私有部署和精細權限管理。對于個人或者小團隊使用&#xff0c;可以避免昂貴的集成軟件帶來的成本壓力。特點Excel 式任意拖拽選區編輯支持雙向關聯&#xff0c…
閱讀更多...
最新文章

Copyright @ 2022~2023