在本系列上一篇文章里,我们介绍了如何为 Jetson Nano 2GB 开发者套件安装系统。在本篇文章中,我们将会为大家介绍如何设置无线网络以及如何添加 SWAPFile 虚拟内存。
当我们安装好系统后,后面的所有操作都必须由 Jetson Nano 2GB 在“联网”状态下执行,因此网络联线至关重要。
Jetson Nano 2GB 自带一个千兆网口(如下图),只要将连上路由的设备网线直接插上去就可以,当然前提条件是必须在具备局域网的环境中才能使用。大部分操作系统都将网路配置为 DHCP 模式,由路由器动态分配 IP 给网口,Jetson Nano 2GB 也不例外,因此只要将网线接上去就可以。

不过为了要提高 Jetson Nano 2GB 的便携性,比较推荐使用 USB 接口的 WIFI 设备(如下图),插入 Jetson Nano 2GB 的任意一个 USB 接口就可以。

但是并非所有的 USB WIFI 都能使用,最好通过该网址:https://elinux.org/Jetson_Nano 找到“Wireless”的位置,有列出多种经过 NVIDIA 原厂验证过的 USB WIFI 网口,可以免驱动直接使用,比较有保障。

https://elinux.org/Jetson_Nano “Wireless”列表
接上无线网卡后,还需要对无线热点进行联线任务。Jetson Nano 2GB 的无线 WIFI 有两种联网方式:
1. 图形界面方式:
在桌面左下角的右数第五个“网络”图标,可能有以下三种显示,表示三种不同状态:

无论当时状况是哪一种,只要点击这个图标,就能打开如下截屏的无线热点选项,然后要求输入进入热点的密码。关于热点的选择与密码,请咨询网管人员。


这里的密码请咨询该网络的网管人员
2. 文字指令方式:
点击桌面左边的“LXTerminal”开启一个文字终端,在里面输入以下指令:

指令中的“热点”与“密码”都请向网络管理人员咨询。如果联线成功的话,会出现以下信息:

以上就完成了 Jetson Nano 2GB 的网络联线,这是后面执行任何安装的一个最重要的基础,如果没让设备先行联网,则后面的安装都无法顺利执行。
添加 SWAPFILE 虚拟内存
Jetson Nano 2GB 的内存相对弱势,所幸 Linux 提供了一种 SWAP 技术,能将存储设备空间作为虚拟内存使用,性能虽然不如物理内存,但也能支撑更多深度学习的计算。
在 Jetson Nano 2GB Firts Boot 的最后一个步骤(如下图)时,已经询问是否要建立 SWAP 空间(4GB),这里推荐是要建立的。

如果当时没有添加,或者需要更多的 SWAP 虚拟内存的时候,该怎么添加呢?操作很简单,首先检查以下可使用的内存空间有多少,请执行以下指令:

可以看到以下信息,表示有实体内存 1971MB 以及交换(虚拟内存)5081MB:

如果要新增一个 4G 大小虚拟空间,按照以下步骤执行就可以:

执行过程如下截屏:

执行完后,再执行 free-m 看看变化:

现在的“交换”容量,已经从前面的 5081MB 增加到9177MB,总共增加了 4096MB。
好了,我们已经要迫不及待地带着大家在 Jetson Nano 2GB 开发者套件的帮助下开启你的开发之旅啦。下一篇我们将带你跑起你的第一段 CUDA 代码。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。