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

安装 Anaconda、CUDA 13.0、cuDNN 9.12 及 PyTorch
 

步骤也可参阅：

在WSL2-Ubuntu中安装Anaconda、CUDA13.0、cuDNN9.12及PyTorch（含完整环境验证）-CSDN博客

【笔记】NVIDIA AI Workbench 安装记录_NVIDIA AI Workbench使用指南-CSDN博客

【深度学习环境搭建】WSL-NVIDIA-Workbench 中安装 Anaconda-CSDN博客

【笔记】NVIDIA AI Workbench 中 sudo 密码问题排查与解决_[sudo] password for-CSDN博客

【笔记】NVIDIA AI Workbench 中安装 CUDA 12.9_cuda12.9安装-CSDN博客

【笔记】NVIDIA AI Workbench 中安装 cuDNN 9.10.2_apt安装cudnn-CSDN博客

【笔记】NVIDIA AI Workbench 中安装 PyTorch_pytorch 2.8.0-CSDN博客

0 环境说明

项目实际值 & 关键说明
发行版NVIDIA-Workbench（WSL2-Ubuntu 22.04 纯净镜像，无预装 Python、Anaconda、CUDA 依赖）
宿主驱动与 CUDA 兼容性宿主 Windows 安装 NVIDIA 驱动 581.08（通过 nvidia-smi 检测），该驱动原生支持 CUDA 13.0（nvidia-smi 显示 CUDA Version: 13.0，即驱动最高兼容 CUDA 13.0）
目标在 NVIDIA-Workbench 中（NVIDIA AI Workbench）安装并启用 CUDA 13.0 全链路（驱动匹配，无需降级适配，PyTorch 可直接调用兼容的 CUDA 版本）

1 首次更新系统

sudo apt update && sudo apt upgrade -y

  • 命令作用：更新系统软件源及依赖库，避免后续安装时因依赖缺失导致失败
  • 预期输出（只截取了部分关键片段）：
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 安装 Anaconda（保持不变，补充下载校验）

2.1 下载并执行安装脚本

cd /tmp
# 下载 Anaconda 3 2025.07 稳定版（适配 Python 3.12）
wget https://repo.anaconda.com/archive/Anaconda3-2025.07-Linux-x86_64.sh
# 执行安装（按提示输入 yes 并确认路径）
bash Anaconda3-2025.07-Linux-x86_64.sh

  • 关键交互：最终提示 Do you wish the installer to initialize Anaconda3? 时输入 yes，其他交互默认按 回车 键确认并继续即可，最新版本一般无须过多干预。

2.2 验证安装

source ~/.bashrc
conda --version

  • 预期输出：

conda 25.07.1

3 安装 CUDA Toolkit 13.0

CUDA 与 cuDNN 免登录下载政策详解（基于官方权威信息）_cudnn下载-CSDN博客

CUDA Toolkit 13.0 Downloads | NVIDIA Developer

3.1 复制 NVIDIA 官网安装命令

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 安装 CUDA 13.0 工具包

在 NVIDIA-Workbench 终端中粘贴全部命令并按 回车 键执行：

  • 预期输出：
(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
配置环境变量

# 追加 CUDA 环境变量至 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# 验证环境变量
echo $CUDA_HOME

  • 预期输出：
/usr/local/cuda-13.0

3.3 验证 CUDA 工具包安装

nvcc --version# 或
nvcc -V

  • 预期输出（显示 CUDA 13.0 编译器版本）：
(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 安装 cuDNN 9.12

CUDA 深度神经网络库 (cuDNN) | NVIDIA 开发者

conda install nvidia::cudnn cuda-version=13

或

conda install nvidia::cudnn=9.12 cuda-version=13
  • 预期输出（显示 cuDNN 相关库文件）：
(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  # 输出“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*  # 显示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 安装 PyTorch

Get Started

# 安装适配 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

  • 预期输出 （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 一键验证

6.1 宿主 Windows 驱动检测（佐证兼容性）

先在 Windows 终端执行 nvidia-smi，确认驱动与 CUDA 支持情况（实际输出）：

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 |
+-----------------------------------------+------------------------+----------------------+

  • 关键结论：Driver Version: 581.08 对应 CUDA Version: 13.0，证明驱动原生支持 CUDA 13.0。

6.2 WSL 内全链路验证

python - <<'PY'
import torch, subprocess
# 1. 验证 PyTorch 版本
print("1. PyTorch 版本 :", torch.__version__)
# 2. 验证 PyTorch 关联的 CUDA 版本（预期 < 13.0）
print("2. PyTorch 关联 CUDA 版本 :", torch.version.cuda)
# 3. 验证 cuDNN 版本
print("3. cuDNN 版本 :", torch.backends.cudnn.version())
# 4. 验证 GPU 识别
print("4. 识别到的 GPU :", torch.cuda.get_device_name(0))
# 5. 验证 nvcc 编译器版本（预期 < 13.0）
print("5. nvcc 编译器版本 :", subprocess.check_output(["nvcc","--version"]).decode().splitlines()[3])
# 6. 验证 GPU 计算可用性
print("\n6. GPU 张量计算验证:")
x = torch.randn(3,3, device='cuda')
y = torch.randn(3,3, device='cuda')
print("张量 X + Y:\n", x + y)
PY

或进入 Python 环境执行以下脚本：

import torch  # 导入 PyTorch 库print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本号# 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("设备：", device)  # 打印当前使用的设备
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已启用# 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())# 创建两个随机张量（默认在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 将张量移动到指定设备（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 对张量进行逐元素相加
z = x + y# 打印结果
print("张量 z 的值：")
print(z)  # 输出张量 z 的内容

  • 预期输出（全链路适配 CUDA 13.0）：
(base) workbench@AI:/mnt/f/PythonProjects/SkyReels-V2$ python - <<'PY'
import torch, subprocess
# 1. 验证 PyTorch 版本
print("1. PyTorch 版本 :", torch.__version__)
# 2. 验证 PyTorch 关联的 CUDA 版本（预期 < 13.0）
print("2. PyTorch 关联 CUDA 版本 :", torch.version.cuda)
# 3. 验证 cuDNN 版本
print("3. cuDNN 版本 :", torch.backends.cudnn.version())
# 4. 验证 GPU 识别
print("4. 识别到的 GPU :", torch.cuda.get_device_name(0))
# 5. 验证 nvcc 编译器版本（预期 < 13.0）
print("5. nvcc 编译器版本 :", subprocess.check_output(["nvcc","--version"]).decode().splitlines()[3])
# 6. 验证 GPU 计算可用性
print("\n6. GPU 张量计算验证:")
x = torch.randn(3,3, device='cuda')
y = torch.randn(3,3, device='cuda')
print("张量 X + Y:\n", x + y)
PY
1. PyTorch 版本 : 2.8.0.dev20250610+cu128
2. PyTorch 关联 CUDA 版本 : 12.8
3. cuDNN 版本 : 90800
4. 识别到的 GPU : NVIDIA GeForce RTX 3090
5. nvcc 编译器版本 : Cuda compilation tools, release 13.0, V13.0.486. GPU 张量计算验证:
张量 X + Y:tensor([[-2.5236, -0.5435,  0.4742],[-1.2940, -1.5633, -0.1617],[ 0.9185,  0.5025, -0.4628]], device='cuda:0')

安装 PyTorch 之后，程式会自动降级适配 CUDA 和 cuDNN ,只要不超过最高支持的 CUDA 版本即可。

7 FAQ（修正驱动与 CUDA 兼容性问题）

问题修正后答案
Workbench 是否自带 Anaconda？否，需手动安装
驱动 581.08 支持 CUDA 13.0 吗？是，通过 nvidia-smi 检测确认驱动原生支持 CUDA 13.0
PyTorch 应选择哪个 CUDA 版本？cu129 稳定版，目前仅支持到 CUDA 12.9
CUDA 13.0 能否实际生效？能，驱动与工具包版本匹配，可正常用于模型训练 / 推理

至此，基于 NVIDIA 驱动 581.08 的兼容性，已在 WSL-NVIDIA-Workbench 中完成 Anaconda、CUDA 13.0、cuDNN 9.12 及 PyTorch 的全链路适配安装，无版本妥协，可直接用于深度学习开发。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/bicheng/95163.shtml
繁体地址，请注明出处：http://hk.pswp.cn/bicheng/95163.shtml
英文地址，请注明出处：http://en.pswp.cn/bicheng/95163.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Shell编程核心入门：参数传递、运算符与流程控制全解析

Shell编程核心入门：参数传递、运算符与流程控制全解析

Shell编程核心入门&#xff1a;参数传递、运算符与流程控制全解析 在Linux/Unix系统中&#xff0c;Shell作为命令解释器和脚本语言&#xff0c;是自动化运维、批量处理任务的核心工具。掌握Shell脚本的参数传递、运算符使用和流程控制&#xff0c;能让你从“手动执行命令”升级…
阅读更多...
如何用 Kotlin 在 Android 手机开发一个应用程序获取网络时间

如何用 Kotlin 在 Android 手机开发一个应用程序获取网络时间

使用 NTP 协议获取网络时间在 build.gradle 文件中添加以下依赖&#xff1a;implementation commons-net:commons-net:3.6创建 NTP 时间获取工具类&#xff1a;import org.apache.commons.net.ntp.NTPUDPClient import org.apache.commons.net.ntp.TimeInfo import java.net.In…
阅读更多...
python智慧交通数据分析可视化系统 车流实时检测分析 深度学习 车流量实时检测跟踪 轨迹跟踪 毕业设计✅

python智慧交通数据分析可视化系统 车流实时检测分析 深度学习 车流量实时检测跟踪 轨迹跟踪 毕业设计✅

博主介绍&#xff1a;✌全网粉丝50W&#xff0c;前互联网大厂软件研发、集结硕博英豪成立软件开发工作室&#xff0c;专注于计算机相关专业项目实战6年之久&#xff0c;累计开发项目作品上万套。凭借丰富的经验与专业实力&#xff0c;已帮助成千上万的学生顺利毕业&#xff0c;…
阅读更多...
计算机视觉第一课opencv（四）保姆级教学

计算机视觉第一课opencv（四）保姆级教学

目录 简介 一、轮廓检测 1.查找轮廓的API 2.代码分析 2.1.图像二值化处理 2.2轮廓检测 2.3轮廓绘制 2.4轮廓面积计算 2.5轮廓周长计算 2.6筛选特定面积的轮廓 2.7查找最大面积的轮廓 2.8绘制轮廓的外接圆 2.9绘制轮廓的外接矩形 二、轮廓的近似 三、模板匹配 简…
阅读更多...
基于Vue2+elementUi实现树形 横向 合并 table不规则表格

基于Vue2+elementUi实现树形 横向 合并 table不规则表格

1、实现效果 共N行&#xff0c;但是每一列对应的单元格列数固定&#xff0c;行数不固定2、实现方式说明&#xff1a;使用的是vue2 elementUI表格组件 js实现<template><div class"table-container" ><el-table height"100%" :span-metho…
阅读更多...
深度学习在计算机视觉中的应用：对象检测

深度学习在计算机视觉中的应用：对象检测

引言 对象检测是计算机视觉领域中的一项基础任务&#xff0c;目标是在图像或视频帧中识别和定位感兴趣的对象。随着深度学习技术的发展&#xff0c;对象检测的准确性和效率都有了显著提升。本文将详细介绍如何使用深度学习进行对象检测&#xff0c;并提供一个实践案例。 环境准…
阅读更多...
node.js 安装步骤

node.js 安装步骤

在Node.js中安装包通常通过npm（Node Package Manager）来完成，这是Node.js的包管理工具。以下是安装Node.js和通过npm安装包的基本步骤： 1. 安装Node.js 方法一：使用nvm（Node Version Manager） 推荐使用nvm来安装Node.js，因为它允许你安装多个Node.js版本，并轻松地在…
阅读更多...
面试-故障案例解析

面试-故障案例解析

一、NFS故障&#xff0c;造成系统cpu使用率低而负载极高。故障概述: 公司使用NFS为web节点提供共享存储服务,某一天下午发现web节点CPU使用率低,而负载极高.登录web节点服务器排查发现后段NFS服务器故障. 影响范围: 网站看不到图片了。 处理流程: 通过ssh登录NFS服务…
阅读更多...
医疗AI时代的生物医学Go编程：高性能计算与精准医疗的案例分析(一)

医疗AI时代的生物医学Go编程：高性能计算与精准医疗的案例分析(一)

摘要： 随着高通量测序、医学影像和电子病历等生物医学数据的爆炸式增长，对高效、可靠、可扩展的计算工具需求日益迫切。Go语言凭借其原生并发模型、卓越的性能、简洁的语法和强大的标准库，在生物医学信息学领域展现出独特优势。本文以“生物医学Go编程探析”为主题，通过三个…
阅读更多...
针对 “TCP 连接建立阶段” 的攻击

针对 “TCP 连接建立阶段” 的攻击

针对 “TCP 连接建立阶段” 的攻击一、定义二、共性防御思路三、攻击手段3.1、SYN 洪水攻击&#xff08;SYN Flood&#xff09;3.2、Land 攻击&#xff08;Land Attack&#xff09;一、定义 什么是针对 “TCP 连接建立阶段” 的攻击&#xff1f;核心特征是利用 TCP “三次握手…
阅读更多...
聊一聊 单体分布式 和 微服务分布式

聊一聊 单体分布式 和 微服务分布式

微服务 与 单体架构对比维度单体架构微服务架构​​架构本质​​一个单一的、功能齐全的应用程序一组​​小型、独立​​的服务集合​​开发​​团队工作在同一个代码库&#xff0c;易产生冲突。技术栈统一。每个服务可以由​​ 独立的小团队 ​​负责&#xff0c;允许使用​​…
阅读更多...
【C++八股文】计算机网络篇

【C++八股文】计算机网络篇

网络协议核心知识点详解 TCP头部结构 TCP头部包含多个关键字段&#xff0c;每个字段都有其特定作用&#xff1a; 16位源端口&#xff1a;标识发送方应用程序的端口号16位目的端口&#xff1a;标识接收方应用程序的端口号32位序号&#xff1a;保证数据包有序传输的唯一标识32…
阅读更多...
小迪Web自用笔记7

小迪Web自用笔记7

游戏一般不走http https协议&#xff0c;一般的抓包工具抓不到。科来&#xff0c;这个工具是从网卡抓包。你一旦打怪数据就会多起来↓但不是很专业。可以抓到https。wep↑这个西东是全部协议都做流量包&#xff0c;你不知道他是从哪儿来的&#xff0c;他全都抓&#xff08;专业…
阅读更多...
现代 Linux 发行版为何忽略Shell脚本的SUID位？

现代 Linux 发行版为何忽略Shell脚本的SUID位？

在现代Linux系统中&#xff0c;为Shell脚本设置 SUID&#xff08;Set User ID&#xff09; 权限位几乎是无效的。这个看似简单的现象背后&#xff0c;是Linux内核设计者们在安全与便利性之间做出的一个至关重要的历史性抉择。要彻底理解这一点&#xff0c;我们需要深入到内核层…
阅读更多...
Qt节点编辑器设计与实现：动态编辑与任务流可视化(一)

Qt节点编辑器设计与实现：动态编辑与任务流可视化(一)

文章目录一、项目概述二、整体架构&#xff1a;模型-视图分离的设计哲学1. 模型层&#xff1a;数据与业务逻辑的核心2. 视图层&#xff1a;图形渲染与用户交互3. 交互层&#xff1a;连接模型与视图的桥梁三、核心模块解析1. 样式管理系统&#xff1a;视觉表现的基石2. 图形数据…
阅读更多...
MySQL常见报错分析及解决方案总结(4)---ERROR 1040(00000):Too many connections

MySQL常见报错分析及解决方案总结(4)---ERROR 1040(00000):Too many connections

报错信息&#xff1a;ERROR 1040(00000):Too many comnections异常效果&#xff1a;原因分析&#xff1a;“ERROR 1040 (00000): Too many connections” 是 MySQL 数据库最常见的连接数超限错误&#xff0c;本质是 “当前试图连接数据库的客户端数量&#xff0c;超过了 MySQL …
阅读更多...
GRPO（组相对策略优化）：大模型强化学习的高效进化

GRPO（组相对策略优化）：大模型强化学习的高效进化

本文由「大千AI助手」原创发布&#xff0c;专注用真话讲AI&#xff0c;回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我&#xff0c;一起撕掉过度包装&#xff0c;学习真实的AI技术&#xff01; ✨ 1. GRPO概述&#xff1a;重新定义大模型强化学习效率 GRPO&#x…
阅读更多...
【Canvas与戳记】蓝底黄面十六角Premium Quality戳记

【Canvas与戳记】蓝底黄面十六角Premium Quality戳记

【成图】【代码】<!DOCTYPE html> <html lang"utf-8"> <meta http-equiv"Content-Type" content"text/html; charsetutf-8"/> <head><title>蓝底黄面十六角Premium Quality戳记 Draft1</title><style ty…
阅读更多...
深度学习：洞察发展趋势，展望未来蓝图

深度学习：洞察发展趋势，展望未来蓝图

在科技飞速发展的当下&#xff0c;深度学习作为人工智能领域的璀璨明星&#xff0c;正以前所未有的速度重塑着各个行业的格局。从日常使用的智能语音助手&#xff0c;到医疗领域精准的疾病诊断&#xff0c;再到自动驾驶汽车对复杂路况的实时感知与决策&#xff0c;深度学习无处…
阅读更多...
基于Docker部署的Teable应用

基于Docker部署的Teable应用

简介Teable 是一款高性能多维表格本地化的解决方案&#xff0c;通过无代码方式快速构建业务管理系统&#xff0c;支持私有部署和精细权限管理。对于个人或者小团队使用&#xff0c;可以避免昂贵的集成软件带来的成本压力。特点Excel 式任意拖拽选区编辑支持双向关联&#xff0c…
阅读更多...
最新文章

Copyright @ 2022~2023