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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00