NVIDIA-INSTALLER 使用与技术文档
本文档旨在为用户提供关于如何安装和使用NVIDIA-INSTALLER的详细指南,同时介绍其API使用和安装方式。
1. 安装指南
在开始安装NVIDIA-INSTALLER之前,请确保已安装以下构建依赖项的开发包:
- ncurses
- pciutils
安装这些依赖项后,您可以开始构建nvidia-installer。
2. 项目使用说明
NVIDIA-INSTALLER的使用说明可以在NVIDIA驱动程序README的第4章“安装NVIDIA驱动程序”中找到。此文档通常可以从NVIDIA Linux驱动程序下载页面获取,并安装在/usr/share/doc/NVIDIA_GLX-1.0/目录下。
3. 项目API使用文档
目前没有关于nvidia-installer实现的正式文档,但源代码注释相对完善。开发者可以通过阅读源代码来了解API的使用和实现细节。
4. 项目安装方式
以下是构建预编译内核接口包的步骤:
- 运行以下命令解压NVIDIA驱动程序包:
sh NVIDIA-Linux-x86-XXX.YY.run --extract-only - 进入解压后的目录:
cd NVIDIA-Linux-x86-XXX.YY/kernel/ - 获取需要构建的模块列表:
modules=`head -n 4 ../.manifest | tail -n 1` - 根据模块列表生成内核接口文件:
interface_files=`for module in $modules; do echo $module | grep -v nvidia-uvm | sed -e 's/nvidia/nv/' -e 's/$/-linux.o/' done` - 构建内核接口文件:
make $interface_files - 为每个接口文件生成预编译内核接口包:
for interface in $interface_files; do nv_stem=`echo $interface | sed 's/-linux.o$//'` module_name=`echo $nv_stem | sed 's/nv/nvidia/'` ../mkprecompiled --pack precompiled-mykernel \ --driver-version XXX.YY \ --proc-version-string "`cat /proc/version`" \ --description "这是一个不感兴趣的描述" \ --kernel-interface $interface \ --linked-module-name $module_name.ko \ --core-object-name $module_name/$nv_stem-kernel.o_binary \ --target-directory . done - 如果存在nvidia-uvm.ko模块,同样为其生成预编译包:
if [ -f nvidia-uvm.ko ]; then ../mkprecompiled --pack precompiled-mykernel \ --kernel-module nvidia-uvm.ko \ --target-directory . fi - 创建目录并将生成的预编译包移动到该目录下:
mkdir -p precompiled mv precompiled-mykernel precompiled
请将"XXX.YY"替换为驱动程序版本号。
若要为其他内核版本构建预编译内核接口,请在make命令行中设置SYSSRC=/path/to/kernel-source。如果您的内核源代码使用单独的输出目录,请额外设置SYSOUT=/path/to/kernel-output。此外,您还需要从内核镜像中提取正确的版本字符串,以便传递给mkprecompiled命令。
使用预编译内核接口的用户可以按照以下步骤操作:
- 解压NVIDIA驱动程序包:
sh NVIDIA-Linux-x86-XXX.YY.run --extract-only - 创建预编译内核接口目录:
mkdir -p NVIDIA-Linux-x86-XXX.YY/kernel/precompiled - 将预编译内核接口包复制到该目录:
cp precompiled-mykernel NVIDIA-Linux-x86-XXX.YY/kernel/precompiled - 运行NVIDIA安装程序:
./NVIDIA-Linux-x86-XXX.YY/nvidia-installer
请注意,搜索预编译内核接口的路径已更新,现在的搜索顺序为:
-
如果指定了
--precompiled-kernel-interfaces-path选项,则搜索该目录;如果未找到匹配项,则 -
搜索
/lib/modules/precompiled/目录下的uname -r/nvidia/gfx/子目录;如果未找到匹配项,则 -
搜索
.run文件中usr/src/nv/precompiled目录;如果未找到匹配项,则 -
放弃并自行构建内核模块。
未来计划包括添加新的用户界面、增加额外的测试、清理内存泄漏、改进错误消息以及国际化支持。欢迎提交补丁,可通过linux-bugs@nvidia.com提交。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
Kimi-K2-ThinkingKimi-K2-Thinking是最新开源思维模型,作为能动态调用工具的推理代理,通过深度多步推理和稳定工具调用(200-300次连续调用),在HLE、BrowseComp等基准测试中刷新纪录。原生INT4量化模型,256k上下文窗口,实现推理延迟和GPU内存使用的无损降低,支持自主研究、编码和写作等工作流。【此简介由AI生成】Python00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00