当前使用的是jetpack4.6，但通过刷新计算机后，我们得到了运行Ubuntu18.04版本的tx1。 尝试刷新官方提供的一系列组件时，遇到了空间不足的问题，参考在线教程加入固态硬盘，在扩展容量的基础上，研究了pytorch和tensorflow的构成。 现在总结这段时间的研究经验。
所谓固态硬盘安装，首先要看你的运营商主板接口。 以前使用的RTSO-9003承载板只有SD卡的接口，当然不能安装SSD的扩展容量。 随后，更换的板上有m2连接器，而且是key B，但大多数当前的m2固态连接器是与B key和M key都兼容的m.2(bm ) key连接器。
这里引用的是博客文章《Jetson TX1 加SSD固态硬盘并从硬盘启动》
在Ubuntu中搜索磁盘时，将显示与固态硬盘容量相同的空间区域和点编号
格式化时选择ext4，命名name，得到新的空间。
固态硬盘装载应该已完成。
将系统复制到固态的步骤
在上一步中打开磁盘图标并自动装载后，按ctrl L键显示装载路径
假设satassd是您的固态名称，路径为/media/nvidia/satassd
打开终端输入：
注意不要省略SDO CP-ax/’/media/NVIDIA/SATA SSD ‘单引号
此命令将系统复制到固态硬盘
下一步是更改启动路径。 更改前必须备份配置文件
CD/boot/extlinuxsudocpextlinux.confextlinux.conf.originalsudogedit/boot/ext Linux/ext Linux.conf文件：
主要是修改标签的部分，复制标签的部分，制作新的标签。 第一个级别是关于固态硬盘，第二个级别是关于emmc。
同时，第二行DEFAULT的位置默认选择从固态硬盘启动。
在Linux上，一切都是文件，配置也是通过修改文件完成的。
打开swap时，主要选择swap文件的位置
使用cd /home/nvidiamkdir swap和git中现成的工具生成swap文件
git clone https://github.com/jetson hacks/postflashtx1. gitcdpostflashtx 1如果选定位置为/home/nvidia/swap，则大小为16g
如果是
sudo./create swap file.sh-d/home/NVIDIA/swap-s16用于打开as WAP的工具
sudo swapon -asudo swapoff -a on启用打开、关闭启用关闭
查看在free中分配的空间
自由HL
无论是通过无线LAN安装jetpack components，还是通过OTA安装，还是通过电脑安装，都需要连接到网络。
最可靠的网络还是通过RJ45端口直接连接到以太网。 当然，如果运营商板上没有有线接口，也可以考虑无线网络。 但是，无法检测到tx1自身的无线网卡的信号。 另外，我的载板上也没有天线接口，所以在USB集线器上扩展了USB端口，插入了USB卡，提高了信号接收能力。
安装JetPack并由PC管理安装的一种方法是将电脑与tx1连接，通过USB连接，利用电脑Ubuntu上安装的jetpack4.6安装工具，将内部版本写入tx1 虽然互联网教程说要有线连接，但我可以直接测试，用无线连接到同一个局域网。
重要的是确保tx1和电脑位于同一局域网上，并且tx1可以获得外部网络。 因为在安装组件时，必须连接到网络才能安装到tx1。
中途安装时，请设定为不要休眠，以免电脑和tx1断开。
OTA安装了NVIDIA官方提供了How to Install JetPack的方法。
诸如TX1之类的只有16G的设备在嵌入式EMMC上直接执行OTA安装，应该执行以上所述的第二种方法。
sudoaptupdateaptdependsnvidia-jetpack ‘ {打印$2} ‘|xargs-I { } sudoaptinstall-y { }空间放大后，单击SSD或SD汽车
sudoaptupdatesudoaptinstallnvidia-jetpack，但是在我的TX1中添加了固态后，空间足够，直接完全安装了。
我相信Pytorch的安装康达曾经挥舞过Pytorch。 一般来说，通过在隔离的环境中安装Pytorch、tensorflow等，在发生问题或者需要安装多个版本的情况下，各个版本可以相互不影响。 因为TX1是AArch64体系结构，所以不能在电脑上直接安装Anaconda。 另外，我不想自己研究编译方法，所以我找了Archiconda进行安装。 同样可以用康达。
首先下载安装包，github的地址，然后下载执行安装。
而且很方便
用它创建虚拟环境,这里我后面装的是pytorch1.6，基于python3.6，所以环境也是基于python3.6：
conda create -n xxxx python=3.6
这里下载的时候，可能会出现http 000的错误，不同的人解决方法不一样，我试过换源、https改http都没用，最后是更新了conda解决的。
conda update -n base conda 安装pytorch
现在已经可以找到编译好的pytorch和tensorflow了
建立虚拟环境
conda create -n mtorch python=3.6
去官网论坛可以找到pytorch的下载地址。
我这里安装的是1.6版本
各位可以自行摸索最新版本的安装。
激活建立的是虚拟环境XXXX
conda activate xxxx
在虚拟环境下，依次安装库的依赖
sudo apt-get install python3-pip libopenblas-base libopenmpi-dev pip3 install Cython pip3 install numpy
最后安装下载好的whl文件，也就是pytorch
pip install torch-1.6.0-cp36-cp36m-linux_aarch64.whl 安装torchvision
安装完pytorch后，可以先去环境下测试下pytorch是否正常工作
像我就很不幸，执行下面命令
import torch
出现报错
Illegal instruction(core dumped)
这里查阅了很多网上的博主文章，还是这一位的方法解决了《NVIDIA JETSONTX2 安装 pytorch 出现错误：import torch 出现 Illegal instruction(core dumped)》。
这位博主的方法，主要意思是要你将export OPENBLAS_CORETYPE=ARMV8 加入环境变量里面。
”’修改环境变量”’sudo gedit /etc/profile 把 export OPENBLAS_CORETYPE=ARMV8 加入最后面一行，然后保存”’更新环境变量”’source /etc/profile
解决这个问题很重要，因为torchvision需要通过pytorch编译安装。
如果没有遇到这一问题，可直接执行torchvision的安装。
首先还是安装依赖
sudo apt-get install libjpeg-dev zlib1g-dev
这里如果有安装提示缺少包的，请换回官方源安装。
然后通过git去下载torchvision的代码，注意，官方的提示，torchvision与pytorch版本是要对应的：
下载
git clone –branch v0.7.0 https://github.com/pytorch/vision torchvision
github的下载速度有时候很慢，可以自行同步到gitee上，然后再用git下载。
cd torchvision export BUILD_VERSION=0.7.0 python3 setup.py install
不过这里安装最后也会遇到错误
/vision-0.7.0/torchvision/csrc/cpu/decoder/defs.h:12:10: fatal error: libavcodec/avcodec.h: No such file or directory
#include <libavcodec/avcodec.h>
^~~~~~~~~~~~~~~~~~~~~~
compilation terminated.
这里参照的一篇文章《NVIDIA Jetson之刷机后配置大全》。
修改 setup.py 文件，把 if has_ffmpeg 改为 if False即可。
如果出现pillow下载失败，只需要执行
pip install ‘pillow<7’ # always needed for Python 2.7, not needed torchvision v0.5.0+ with Python 3.6
至此，基本安装完成，只需要测试下
import torchvision
没有报错即可
以后每次使用的时候，先激活环境，然后再环境里面使用pytorch。我建立的环境叫mtorch，因此激活是
conda activate mtorch
要退出环境就:
conda deactivate tensorflow安装 从NVIDIA官网安装包和教程
tensorflow的安装就方便多了，直接可以去官网找到教程和下载地址，不像pytorch是去官网的论坛里面找的下载地址。
首先是建立它使用的虚拟环境
conda create -n mtensorflow python=3.6
然后，下载的通过Jetson 下载中心就可以找到。
官网还提供了教程。
这里面下载时候，如果下载完whl文件，直接通过pip命令安装的话
pip3 install tensorflow-2.5.0+nv21.6-cp36-cp36m-linux_aarch64.whl
经过一系列安装后，h5py的安装过程会遇到错误。
因此，必须要
$ sudo apt-get update$ sudo apt-get install libhdf5-serial-dev hdf5-tools libhdf5-dev zlib1g-dev zip libjpeg8-dev liblapack-dev libblas-dev gfortran
尤其是h5py必须按照官网论坛安装
sudo pip3 install -U h5py==2.10.0
不过，最好是按照官网的方法https://docs.nvidia.com/deeplearning/frameworks/install-tf-jetson-platform/index.html，一路照做。
同样，装完后，在python里面检查一下tensorflow是否成功激活。
import tensorflow as tftf.__version__
以后每次使用的时候，先激活环境，然后再环境里面使用tensorflow,这里我的环境是mtensorflow:
conda activate mtensorflow 安装keras
keras和tensorflow具有对应的关系，这个网上已经有许多列举，目前我从github上找到的关系表：
详细可以见keras-team/keras。
我这里用的是tensorflow2.5，只需要按照2.5版本的keras，用pip list查看后发现已经装好了。因此就不用装了。