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
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
香港大学研究团队提出LightReasoner框架,通过让小型"业余"模型与大型"专家"模型对比,识别关键推理步骤并转化为训练信号。该方法在数学推理任务上实现28.1%性能提升,同时将训练时间、样本需求和词元使用量分别减少90%、80%和99%,完全无需人工标注。研究颠覆了传统训练思路,证明通过模型间行为差异可以实现高效的自监督学习,为资源受限环境下的AI能力提升提供了新路径。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
马里兰大学研究团队开发了MONKEY适配器,一种无需额外训练的AI绘画控制技术。该方法通过"两步走"策略解决了个性化AI绘画中主体保真与背景控制难以兼得的问题:先让AI识别主体区域生成"透明胶片",再在第二次生成中让主体区域听从参考图片、背景区域听从文字描述。实验证明该方法在保持主体特征和响应文字要求两方面均表现出色,为AI绘画的精细化控制提供了新思路。