Nvidia Jetson AGX Orin 初体验
一、開箱
Nvidia Jetson AGX Orin是今年Nvidia推出的唯一的開發套件，相比Jetson Nano 472GFLOP算力、Jetson Xaiver 32TOPS(INT8)算力，它的算力達到了200 TOPS左右。也就是說，幾乎相當于目前主流設備的8-10倍的算力。這就讓張小白有點動心了。于是，張小白天天啃包子省吃儉用，攢下了一臺設備的價錢，并火速將設備拿到了手。
說實話，拿到這樣的箱子著實有點害怕，畢竟里面的東西不便宜。然而，打開包裝，并進行消毒之后：
這么方方正正的盒子，確實讓人有點放心了。
我們四周看一看：
側面和底面都有封條。
有一側寫著設備的各種指標。
于是張小白用裁紙刀開箱：
映入眼簾的是個像音響一樣的東西。
拿出來一看：
銀灰色的機身，里面的大風扇隱約可見。
這是右面——正確的一面（Right View），對應說明書：
分別是 電源鍵（Power），強制恢復鍵（Force Recovery）和重置鍵（Reset）。還有個TF卡的插槽。
右面旁邊的一面叫背面（Back View）：
對比說明書：
分別是：
（1）USB Type-C，這個接口是接電源的地方。
（2）DC Power是很奇怪的接口，好像目前并沒有接頭能插進去。
（3）有線網口
（4）上下錯落著2個USB 3.2的接口，張小白打算用來接鍵盤和鼠標
（5）DisplayPort，是目前唯一的顯示器接口
（6）Micro USB的接口，大概是可以用作串口吧。
背面旁邊的一面看起啥也沒有：
對比說明書：
你可以把它輕輕掀開：
有一個PCIe的接口，殼子上還有2根WiFI天線，說明它是自帶無線網卡的。
再轉過去，就到了正面（Front View):
左邊是個Type-C接口，中間是40Pin接口，右邊是兩個USB3.2的接口。
我們再悄悄看看底面：
有個接M2的硬盤接口，有2個攝像頭的接口。右下角應該是前面看到的TF卡槽。這塊板子好像還是Made in China。
我們把裝Orin設備的盒子拿出去后：
下面還有個附件的盒子：
打開看看：
上面是說明書（剛才拍過了）和電源適配器，下面是幾股線纜：
有USB轉Type=C的線，估計可以用接電腦。
下面是三根電源線：
根據電源插頭的不同，估計是美標，英標插頭之類的。反正有中國的插頭就行：
AC電源適配器，也是中國制造。
電源適配器的另一頭是Type-C插頭，所以應該是接上前面Right View左上角那個Type-C的接口。
DisplayPort的接口有點奇怪：
好在張小白的小米曲面屏顯示器有這個接口，張小白也有這跟DP線：
開箱到此結束。
二、開機
張小白打開說明書提供的鏈接：
只好求助于Nvidia的專家，獲得了這個地址：?https://developer.nvidia.com/embedded/learn/get-started-jetson-agx-orin-devkit
那就根據這個鏈接來Getting Started吧！
先把各種線接好：
（1）DP接口連顯示器；
（2）電源線連DC口上面的Type-C口；
（3）機械鍵盤和鼠標連接2個USB 3.2的接口；
（4）有線網口暫時不接，因為有無線網卡。
開機，顯示器切換到DP1：
不一會兒，進入Ubuntu的系統設置界面：
靠近點看：
accept后點擊continue：
選擇語言——中文（簡體），繼續：
連接無線網絡，選擇華為路由器的網絡，點擊 連接：
輸入密碼，connect：
選擇時區——上海，繼續：
輸入計算機名稱，登陸用戶名和密碼等信息，繼續：
要求輸入分區大小，看了下提示，輸入0，繼續：
設置Nvpmodel的Model，先選缺省的，繼續：
問你要不要安裝個瀏覽器，那就裝吧：
耐心等待安裝完畢，點擊Close。
系統會繼續進行安裝：
直到進入登陸界面：
輸入前面設置的密碼后進入Ubuntu的桌面：
在彈出的頁面中點擊Skip：
選擇No，點擊Next：
Next：
Done。
系統問要不要升級包：
先選擇Remind Me Later吧。
根據前面鏈接中的指引，打開終端:
sudo apt dist-upgrade
按Y繼續：
耐心等待upgrade完畢：
查看下內存和存儲的情況：
內存：
29G左右，估計是32G的內存。還有交換分區14G左右，估計是16G。。這個數字硬件廠商各有統計尺度，此處先不深究。
32G內存國外售價是899美元。國內的價格暫時不談。。說多了都是淚。
存儲：
大概是64G的存儲，這跟標稱的eMMC存儲大小基本一致。
我們開始裝Jetpack。據官方要求，Orin設備需要安裝Jetpack 5.0。
sudo apt install nvidia-jetpack
咦？
看了下 /etc/apt/sources.list.d/nvidia-l4t-apt-source.list 文件：
這個源居然找不掉Jetpack包。。。
張小白又匆匆開始搜索，終于在Nvidia論壇發現了一個答案：
也就是需要將 r34.0改為r34.1才行，就如法炮制：
重新執行 sudo apt install nvidia-jetpack
按Y繼續：
好像報了個錯。應該是服務器不大好連。確實nvidia的服務器不大容易連，那就反復多試幾次：
耐心等待結束：
再試一次：
嗯。不用試了。應該是安裝完畢了。
根據官方說明，Jetpack 5.0包含以下組件：
它們的安裝位置如下：
現在檢查下目前安裝的軟件版本：
gcc和g++：9.4.0
CUDA的nvcc編譯器：11.4
編輯~/.bashrc
source后生效：
這樣就可以在任何地方編譯CUDA的代碼了。
opencv：4.5
Python：3.8.10，沒有裝PIP：
那就裝一下吧。
先安裝curl：
再用curl下載get-pip.py:
然后安裝pip：
好了，Orin基礎環境的安裝就先介紹到這里吧。
三、開練
基礎軟件安裝完畢后，當然是對這個設備做一些簡單的深度學習嘗試了。張小白曾經寫過一篇：
張小白：Nvidia Jetson Nano B01初體驗1 贊同 · 0 評論文章正在上傳…重新上傳取消
現在就依葫蘆畫瓢，看看Orin的表現如何：
LeNet是典型的手寫數字識別網絡，常用于深度學習初學者的入門，先用它來試一下：
1、cudnn_sample
cudnn_sample 內置了一個LeNet網絡的測試，我們來試一下：
先更新下源：
cd /usr/src/cudnn_samples_v8/mnistCUDNN/
開始編譯：
sudo make
發現需要安裝一些系統依賴包：sudo apt-get install libfreeimage3 libfreeimage-dev
安裝完畢后重新編譯：
進行測試：
從上面的例子可以看出，相關的圖片識別成為1、3、5，識別成功。
2、使用TensorFlow+Keras實現LeNet訓練
安裝系統依賴包：
sudo apt-get install python3-numpy
sudo apt-get install python3-scipy
sudo apt-get install python3-pandas
sudo apt-get install python3-matplotlib
sudo apt-get install python3-sklearn
sudo apt-get install libhdf5-serial-dev hdf5-tools libhdf5-dev zlib1g-dev zip libjpeg8-dev liblapack-dev libblas-dev gfortran
sudo apt-get install python3-pip
安裝PIP依賴包：
sudo pip3 install -U --no-deps numpy==1.19.4 future==0.18.2 mock==3.0.5 keras_preprocessing==1.1.2 keras_applications==1.0.8 gast==0.4.0 protobuf pybind11 cython pkgconfig -i?https://pypi.tuna.tsinghua.edu.cn/simple
sudo env H5PY_SETUP_REQUIRES=0 pip3 install -U h5py==3.1.0
查看下JetPack 5.0 TensorFlow安裝盤的地址：
安裝TensorFlow1.15：
sudo pip3 install --pre --extra-index-url?https://developer.download.nvidia.com/compute/redist/jp/v50?'tensorflow<2'
檢查TensorFlow是否成功安裝：
安裝Keras并檢查是否成功安裝：
sudo pip3 install keras
準備 keras_lenet.py這個訓練LeNet網絡的Python代碼：（代碼來源：https://blog.csdn.net/mr_muli/article/details/80992600?作者：木里先森）
# -*- coding: utf-8 -*- """ Created on Tue Jul 10 20:04:03 2018@author: muli """import tensorflow.keras from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPooling2D from tensorflow.keras import backend as Knum_classes = 10 img_rows, img_cols = 28, 28# 通過Keras封裝好的API加載MNIST數據。其中trainX就是一個60000 * 28 * 28的數組， # trainY是每一張圖片對應的數字。 (trainX, trainY), (testX, testY) = mnist.load_data()# 根據對圖像編碼的格式要求來設置輸入層的格式。 if K.image_data_format() == 'channels_first':trainX = trainX.reshape(trainX.shape[0], 1, img_rows, img_cols)testX = testX.reshape(testX.shape[0], 1, img_rows, img_cols)input_shape = (1, img_rows, img_cols) else:trainX = trainX.reshape(trainX.shape[0], img_rows, img_cols, 1)testX = testX.reshape(testX.shape[0], img_rows, img_cols, 1)input_shape = (img_rows, img_cols, 1)trainX = trainX.astype('float32') testX = testX.astype('float32') trainX /= 255.0 testX /= 255.0# 將標準答案轉化為需要的格式（one-hot編碼）。 trainY = tensorflow.keras.utils.to_categorical(trainY, num_classes) testY = tensorflow.keras.utils.to_categorical(testY, num_classes) # 2. 通過Keras的API定義卷積神經網絡 # 使用Keras API定義模型。 model = Sequential() model.add(Conv2D(32, kernel_size=(5, 5), activation='relu', input_shape=input_shape)) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(64, (5, 5), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten()) model.add(Dense(500, activation='relu')) model.add(Dense(num_classes, activation='softmax'))# 定義損失函數、優化函數和評測方法。 model.compile(loss=tensorflow.keras.losses.categorical_crossentropy,optimizer=tensorflow.keras.optimizers.SGD(),metrics=['accuracy'])# 3. 通過Keras的API訓練模型并計算在測試數據上的準確率 model.fit(trainX, trainY,batch_size=128,epochs=10,validation_data=(testX, testY))# 在測試數據上計算準確率。 score = model.evaluate(testX, testY) print('Test loss:', score[0]) print('Test accuracy:', score[1])執行LeNet模型的訓練代碼：
該Python腳本會下載MNIST數據集，然后開始加載訓練參數：
然后進行訓練：
經過了幾輪訓練，準確率提高到了0.9821，loss降低到了0.0597左右。可見，Jetson AGX Orin在LeNet網絡的運行結果，跟Jetson Nano是幾乎一樣的。當然，我們現在不涉及測試性能。
以上就是張小白初體驗Jetson AGX Orin設備的過程，還有更多的內容需要張小白一一去挖掘呢！
(全文完，謝謝閱讀）
總結
以上是生活随笔為你收集整理的Nvidia Jetson AGX Orin 初体验的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Android程序员该如何进阶？，202
- 下一篇： Python 实现生命游戏