【DREAMPlace最全复现】双系统Ubuntu22.04安装&配置：NVIDIA+docker+pycharm+anaconda+PyTorch+cuda

从Ubuntu22.04搭建到DreamPlace复现，包含NVIDIA+docker+pycharm+anaconda+PyTorch+cuda安装。

涂901

1226人浏览 · 2025-11-07 18:59:56

涂901 · 2025-11-07 18:59:56 发布

一、项目
二、环境
三、Ubuntu安装
- （一）流程
- （二）问题
四、环境配置
五、DREAMPlace复现

一、项目

# DREAMPlace GitHub 链接

二、环境

Ubuntu 24.04.05 LST （jammy）
NVIDIA 535
pycharm 2025.2.4
anaconda 23.5.2
python 3.9
Torch 2.0.1
CUDA 11.8
Boost 1.74
Bison 3.8.2
GCC 7.5
以上环境后面都有配置方法。

三、Ubuntu安装

（一）流程

卸载旧Ubuntu。# 彻底卸载Ubuntu双系统
下载新Ubuntu。# Ubuntu 24.04.05 LST 官网下载连接
安装新Ubuntu。内存分配 300 G。# 一看就会！8分钟真机安装【Ubuntu/Windows】双系统

（二）问题

原环境24.04与项目不匹配，make始终有问题，决定重装22.04并使用。
开机无法输入密码，显示“认证出错”。排除内存满了、配置等情况后，tb询问后确定是硬盘出错，更换硬盘后解决。
设备：拯救者y7000 2019版；铠侠1 TB NVMe RC20系列；佳翼M.2 NVMe固态硬盘盒。购入拆机工具。
转移数据：转移CD盘数据。# 笔记本换硬盘竟然不用重装系统！！
换硬盘：# 联想拯救者Y7000||拆机更换SSD||加内存条||迁移系统
安装NVIDIA 580并重启后会出现WiFi图标消失的情况，判断是580太新。实在不想再折腾，卸载系统重装535解决，安装步骤见后文。

四、环境配置

（一）国内镜像源替换

更换成了阿里云镜像，不换会出网络连接超时 T T。
参考：# Ubuntu apt-get 国内镜像源替换(新手必看,超详细!各种镜像源网站都有)
安装deb指令：

# 使用 sudo 权限安装 .deb 包
sudo dpkg -i xxx.deb

# 如果遇到依赖问题，运行以下命令修复
sudo apt-get install -f

（二）NVIDIA安装

注意：千万不要 sudo ubuntu-drivers autoinstall 直接安装推荐的驱动！WiFi会消失！

# 先执行这两行 cmd，否则可能出现 ubuntu-drivers devices 执行后没反映的现象
sudo apt update
sudo apt upgrade 
# 查询系统建议安装的nvidia版本，这里应该会包括 nvidia-driver-535-open - distro non-free
ubuntu-drivers devices
# 安装指定驱动
sudo apt install nvidia-driver-535
# 重启电脑
reboot
# 检查驱动信息和显卡信息
nvidia-smi

验证信息：
![[Pasted image 20251104213532.png|300]]

（三）pycharm安装

安装网址：# PyCharm官网
参考：# 在Ubuntu22.04中安装PyCharm(保姆级教程)
注：第五步命令为 ./pycharm.sh
记：/home/yy/app/pycharm-2025.2.4

（四）docker + nvidia-docker安装

1. docker安装

参考：
# Docker安装教程详解
 # Docker运行hello-world镜像失败或超时
 # docker运行镜像hello-world遇到的问题
 # docker-compose up -d 启动容器时拉取镜像失败 Error response from daemon: Get “https://registry-1.docker.io/v2/“:
安装流程：

# 更新软件包列表
sudo apt-get update
# 安装必要的软件包，以便可以通过 HTTPS 使用存储库
sudo apt-get install apt-transport-https ca-certificates curl software-properties-common
# 添加 Docker 的官方 GPG 密钥
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg
# 设置 Docker 稳定版存储库
echo "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
# 安装 Docker 引擎
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io
# 验证安装是否成功
sudo docker run hello-world

验证安装报错：
在这里插入图片描述

# 确认网络连接正常（ctl+c退出）

ping www.baidu.com

# 确认docker服务是否正常（按q退出）

systemctl status docker

以上都正常可以尝试更换镜像源。可以先依次打开网址，比如发现"https://docker.m.daocloud.io" 可用。配置如下：

# 添加的daemon.json文件（没有就新增）
sudo mkdir -p /etc/docker
sudo tee /etc/docker/daemon.json <<-'EOF'
{
  "registry-mirrors": [
    "https://docker.mirrors.ustc.edu.cn",
    "https://hub-mirror.c.163.com",
    "https://mirror.baidubce.com",
    "https://docker.nju.edu.cn",
    "https://docker.mirrors.sjtug.sjtu.edu.cn",
    "https://mirror.ccs.tencentyun.com",
    "https://dockerproxy.com",
    "https://registry.docker-cn.com",
    "https://docker.m.daocloud.io",
    "https://mirror.aliyuncs.com",
    "https://docker.rainbond.cc",
    "https://mirror.iscas.ac.cn",
    "https://do.nark.eu.org",
    "https://dc.j8.work",
    "https://docker.registry.cyou",
    "https://docker-cf.registry.cyou",
    "https://docker.jsdelivr.fyi",
    "https://dockercf.jsdelivr.fyi",
    "https://dockerhub.icu"
  ],
  "insecure-registries": [
    "registry.docker-cn.com",
    "docker.mirrors.ustc.edu.cn"
  ],
  "debug": true,
  "experimental": false
}
EOF
# 顺便安一下docker-compose
sudo apt install docker-compose
# 重启 Docker 服务
sudo systemctl daemon-reload
sudo systemctl restart docker
systemctl status docker

按q退出。检查registry mirror刚刚配置的加速地址是否成功：

sudo docker info

可以看到配置成功：
在这里插入图片描述

接着为docker配置权限（否则需要在命令前加sudo）：

# 将当前用户添加到 docker 组
sudo usermod -aG docker $USER

# 重新登录使组权限生效
newgrp docker

运行 docker run hello-world：

docker run hello-world

成功！
在这里插入图片描述

2. nvidia-docker/nvidia-container-toolkit安装

参考：
# nvidia-docker（注：This project has been superseded by the NVIDIA Container Toolkit.）
# nvidia-docker安装
 # Installing the NVIDIA Container Toolkit
直接依次执行官方"With apt: Ubuntu, Debian"下的安装命令即可：

sudo apt-get update && sudo apt-get install -y --no-install-recommends \
   curl \
   gnupg2
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo sed -i -e '/experimental/ s/^#//g' /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
export NVIDIA_CONTAINER_TOOLKIT_VERSION=1.18.0-1
  sudo apt-get install -y \
      nvidia-container-toolkit=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
      nvidia-container-toolkit-base=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
      libnvidia-container-tools=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
      libnvidia-container1=${NVIDIA_CONTAINER_TOOLKIT_VERSION}
# 最后重启docker
sudo systemctl restart docker
# 查看nvidia-container-toolkit
dpkg -l | grep nvidia-container-toolkit

在这里插入图片描述

（五）anaconda + python 3.9 安装+pycharm启动

参考：# 难道他真的是装环境的天才（双系统ubuntu24.04+cuda+pytorch+cudnn安装）

1. anaconda安装

下载并安装anaconda：

# 进入你想下载的路径
cd app 
# 下载anaconda
wget https://repo.anaconda.com/archive/Anaconda3-2023.07-1-Linux-x86_64.sh
# 赋权限 
chmod +x Anaconda3-2023.07-1-Linux-x86_64.sh
# 安装 
./Anaconda3-2023.07-1-Linux-x86_64.sh

然后一直按键盘的下，直到出现“Do you accept the license terms? [yes|no] [no] >>>”，输入“yes”回车，继续等待，出现：
在这里插入图片描述

回车确认安装地址。开始安装，直到出现“Do you wish the installer to initialize Anaconda3 by running conda init? [yes|no] [no] >>>”，输入“yes”回车，安装完成！
在这里插入图片描述

激活环境并查看conda版本：

source ~/.bashrc
conda --version

在这里插入图片描述

2. python3.9安装

新建python3.9环境并启动：

conda create --name py39 python==3.9
conda activate py39

3. pycharm启动python3.9环境

点击新建项目：
在这里插入图片描述

点击自定义环境，类型切换到conda，环境切换到刚才配置的py39：
在这里插入图片描述

这里打开后右下角有后台任务“正在更新可用的conda软件包列表”，在这里卡了两个多小时，强制关机后重试了四五次都还会卡住，真没辙了tb付费咨询时莫名其妙又好了…真的燃尽了。一些猜测供大家参考：1.可能是最后一次正好加载完了吧。2.我第三次把pycharm“设置-外观与行为-系统设置-更新“里的为之检查IDE更新和检查插件更新关了，虽然没用，后来还是会卡。4.最后一次确实也卡了，但tb外援把todesk断开的时候一下子成功了，没后台任务了，右下角显示py39了。
这里展示的是我打开了一个项目文件（可以就是刚才你建的），可以看到右下角环境是自己配的py39。
在这里插入图片描述

方便后面配置torch，大家可以右击你的项目文件夹新建一个test.py文件，输入：

import torch  
print(torch.__version__)  
print(torch.version.cuda)  
print(torch.cuda.is_available())  
print(torch.backends.cudnn.version())  
print(torch.cuda.get_device_name(0))

（六）PyTorch + cuda

参考：
# 难道他真的是装环境的天才（双系统ubuntu24.04+cuda+pytorch+cudnn安装）
# Linux系统安装显卡驱动+cuda+cudnn+torch+torchvision（GPU-Pytorch）
# Linux (CentOS)安装torch2.0.0 +tensorflow2.12.0 +NVIDIA535.113.0 +CUDA12.1.1 +cuDNN8.9.0 +TensorRT8.6.0
说明：
如果你决定使用docker复现DREAMPlace，则不需要安装toch、cuda、boost、bison并降级GCC。可直接跳到使用 Docker 构建和运行。

1. 考虑对应的版本

DREAMPalce要求的版本：Pytorch 1.6/1.7/1.8/2.0；CUDA 9.1 or later(Optional)。
查看显卡信息，输入nvidia-smi：
在这里插入图片描述

官网查看匹配的版本：Previous PyTorch Versions | PyTorch
![[Pasted image 20251105164547.png|200]]

为匹配项目要求，准备安装PyTorch 2.0.1与CUDA 11.8。
注：使用conda命令会自动安装匹配的CUDA工具包，pip命令则只安装PyTorch。

2. torch 2.0.1

torch安装比较耗时，且就一条命令，因此可以执行该命令时同步进行下一小节CUDA的安装。
进入py39环境并确认信息：

conda activate py39
python -V
nvidia-smi

![[Pasted image 20251106012312.png|300]]

在（py39）下安装torch：

pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 torchaudio==2.0.2+cu118 --index-url https://download.pytorch.org/whl/cu118

回车后就可以看下一小节了，给这条命令慢慢执行。po一下成功截图：
![[Pasted image 20251106012539.png|300]]

3. CUDA 11.8

新建一个终端（可以直接在“～/下载”文件夹里的空白处右击“在终端打开”）：
在这里插入图片描述

在（base）环境的终端下输入：

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda 11.8.0_520.61.05_linux.run

漫长的等待后下载完成“已保存‘cuda_11.8.0_520.61.05_linux.run’［4336730777/4336730777］）”。
安装cuda：

sudo sh cuda_11.8.0_520.61.05_linux.run

提示你要不要移除，选“Continue”不移除：
在这里插入图片描述
按空格可以选中或取消，再选择“Install”：

安装完成，可以记一下安装的地址：
在这里插入图片描述

使用vi编辑器配置路径：

vi ~/.bashrc

按i键进入插入模式，按下到最后一行空行，输入：

export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=:/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

按 Esc 键退出插入模式。输入 :wq 然后按 Enter（保存并退出vi编辑器）。

# 让刚才的修改立即生效
source ~/.bashrc
# 确认CUDA安装和配置信息
nvcc -V

在这里插入图片描述

cuda11.8安装成功。
注：可以输入“echo $LD_LIBRARY_PATH”与“echo $PATH”查看一下此时的路径：
在这里插入图片描述

4. 验证torch和CUDA的安装

回到"pycharm启动python3.9环境"最后一步我们创建的test.py文件，运行：
在这里插入图片描述

安装完成！

（七）Boost + Bison + flex安装

查看# DREAMPlace GitHub 连接的README.md，还需要安装Boost和Bison两个系统级依赖库。要求Boost >= 1.55.0，Bison >= 3.3。

 # 依旧在py39下进行配置
 conda activate py39
 # 安装boost
 sudo apt install libboost-all-dev
 # 检查boost版本（需要Boost >= 1.55.0）
 dpkg -l | grep libboost

这里展示一部分，我自动安装了1.74，满足要求：
在这里插入图片描述

 # 继续在py39下进行配置
 # conda activate py39
 # 安装bison&flex
 sudo apt-get install flex bison
 # 检查bison版本（需要Bison >= 3.3）
 bison --version

安装完成：
在这里插入图片描述

（八）GCC降级

查看# DREAMPlace GitHub 连接的README.md，推荐GCC 7.5 (with c++17 support)，不推荐GCC 9或更高版本。
先自查目前的GCC版本：
在这里插入图片描述

太高了，想办法降级。
参考：
# Unbuntu 22.04 安装 GCC 7.5版本
 # VMware17安装Ubuntu24.04.1及gcc4.8.5
提示：后面配置操作默认同前面的py39下进行。
备份原有源列表:

sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup

使用vi编辑器添加 Ubuntu 20.04 (Focal) 软件源:

# 编辑源列表
sudo vim /etc/apt/sources.list

按i键进入插入模式，按下到最后一行空行，输入：

# 在文件末尾添加这一行：
deb [arch=amd64] http://archive.ubuntu.com/ubuntu focal main universe

按 Esc 键退出插入模式。再输入 :wq 然后按 Enter（保存并退出vi编辑器）。继续：

# 更新软件包列表/镜像
sudo apt-get update
# 安装 GCC 7
sudo apt-get install gcc-7 g++-7
# 将gcc7加入到选中，最后的数字是优先级，我直接设为100
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 100
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-7 100
# 恢复原有软件源
sudo cp /etc/apt/sources.list.backup /etc/apt/sources.list
# 重新更新
sudo apt-get update
# 验证安装
gcc --version
g++ --version
# 应该显示 7.5.0 或类似版本
# 测试 C++17 支持
g++ -std=c++17 --version

成功：
在这里插入图片描述

五、DREAMPlace复现

参考：
csdn：# 【傻瓜式教程】DreamPlace 的下载安装使用和踩过的坑
github：# DREAMPlace
gitcode：# DREAMPlace

有两种复现方法：

使用 Docker 构建和运行
不使用 Docker 构建和运行

（一）使用 Docker 构建和运行

说明：

docker pull 是从 Docker Hub 下载镜像到本地 Docker 镜像仓库
下载的镜像存储在 Docker 的系统目录中，与当前终端所在目录无关
你可以在任何目录下执行这个命令
通过使用 limbo018/dreamplace:cuda 这个镜像，你不需要手动配置上述各类依赖。

1. 获取Docker镜像

从云端拉取（失败的话多试几次）：

docker pull limbo018/dreamplace:cuda

在这里插入图片描述

2. 进入 DREAMPlace 的 Docker 容器环境

Linux（带GPU）：

docker pull limbo018/dreamplace:cuda

3. 在容器内编译 DREAMPlace

cd /DREAMPlace
mkdir build
cd build
cmake .. -DCMAKE_INSTALL_PREFIX=../install -DPython_EXECUTABLE=$(which python)
make
make install

展示部分运行截图：

make时出现报错：
在这里插入图片描述

c++: internal compiler error: Killed (program cc1plus) 通常表示系统杀死了编译进程，最常见的原因是内存不足。
此时我尝试了一些方法会卡死，搜索发现原生环境比docker构建编译速度快点，于是转用不使用Docker的方法。
如果make和make install编译成功，就可以下载测试用例并测试了。

4. 下载测试用例

python benchmarks/ispd2005_2015.py

5. 运行测试

cd ../install
python dreamplace/Placer.py test/ispd2005/adaptec1.json

（二）不使用 Docker 构建和运行

1. 自查第三方依赖

python和pytorch检查（Python 3.5/3.6/3.7/3.8/3.9；Pytorch 1.6/1.7/1.8/2.0）

# 进入为项目配置的环境
conda activate py39

# 检查 Python 版本
python --version
python3 --version

# 检查 Python 具体版本号
python -c "import sys; print('Python详细版本:', sys.version)"

# 检查 PyTorch 版本和 CUDA 支持
python -c "import torch; print('PyTorch版本:', torch.__version__); print('CUDA可用:', torch.cuda.is_available()); print('CUDA版本:', torch.version.cuda if torch.cuda.is_available() else 'None')"

在这里插入图片描述

GCC编译器检查（Recommend GCC 7.5 (with c++17 support)）

# 检查 GCC 版本
gcc --version
g++ --version

# 检查 C++17 支持
g++ -std=c++17 --version

在这里插入图片描述

系统依赖检查（Boost >= 1.55.0；Bison >= 3.3）

# 检查 Boost 版本
dpkg -l | grep libboost | head -5

# 检查 Bison 版本
bison --version

# 检查其他构建工具
make --version
cmake --version

在这里插入图片描述

CUDA和GPU检查（CUDA 9.1 or later (Optional)；GPU architecture compatibility 6.0 or later (Optional)）

# 检查 NVIDIA 驱动和 CUDA
nvidia-smi

# 检查 CUDA 编译器
nvcc --version

# 检查 GPU 计算能力
python -c "import torch; [print(f'GPU {i}: {torch.cuda.get_device_name(i)}, 计算能力: {torch.cuda.get_device_capability(i)}') for i in range(torch.cuda.device_count())]" 2>/dev/null || echo "没有GPU"

# 检查 CUDA 安装路径
echo "CUDA_HOME: $CUDA_HOME"
echo "PATH中的CUDA: $PATH" | grep cuda

在这里插入图片描述

2. git项目与子模块

这里我选择直接同子模块一起克隆

cd /home/yy/yy_experience # 进入你想放置项目的地址
git clone --recursive https://github.com/limbo018/DREAMPlace.git

也可以分步克隆项目和子模块

cd /home/yy/yy_experience # 进入你想放置项目的地址
git clone https://github.com/limbo018/DREAMPlace.git
cd DREAMPlace
git submodule init
git submodule update

注：不建议自己去子模块的github手动git，版本不一样文件不一样。

3. 安装其他python依赖

查看# DREAMPlace GitHub 链接的requirements.txt，安装其他库。

cd /home/yy/yy_experience/DREAMPlace
conda activate py39
pip install -r requirements.txt

终端的安装其实挺快，但我的pycharm又一次卡了…等待一个小时后无果，强制关机，第二天重启好了。

4. 编译DREAMPlace

a. 修改

Ubuntu 22.x的SIGSTKSZ不再是常量，需要修改。
编辑 thirdparty/OpenTimer/unittest/doctest.h 文件：
第 4008 行：static char altStackMem[4 * SIGSTKSZ];
替换为：static char altStackMem[4 * 32768]; // 使用固定大小替代 SIGSTKSZ
第 4056 行：char FatalConditionHandler::altStackMem[] = {};
替换为：char FatalConditionHandler::altStackMem[4 * 32768] = {};
打开运行deepplace需要的包。
DREAMPlace/dreamplace/ops/CMakeLists.txt 文件，打开第 12 行的注释#add_subdirectory(rmst_wl)。

b. 编译

sudo rm -rf build # 我在Docker方法创建过build文件夹，所以先删除
mkdir build
cd build
cmake .. -DCMAKE_INSTALL_PREFIX=../install -DPython_EXECUTABLE=$(which python)
make
make install

make时总会在54%的OpenTimer里报错no more archived files（系统无法创建临时文件），检查磁盘内存完全足够，试了很多次怀疑是文件有问题，重新git了文件编译，卡了一次重启，最后跑通了：
在这里插入图片描述

看到这别忘执行make install了。

5. 下载测试用例

cd ../install
python benchmarks/ispd2005_2015.py

如果网络不佳也可以自己下载ispd2005dp.tar.xz和ispd2015dp.tar.xz，并分别解压到install/benchmarks下再重命名（参考下一节的文件目录）。

6. 运行测试

参考：【傻瓜式教程】DreamPlace 的下载安装使用和踩过的坑

a. 自查

在运行测试时报错：anaconda 环境 version ‘GLIBCXX_3.4.30’ not found
在这里插入图片描述

解决方法

检查是否存在 GLIBCXX_3.4.30

 strings /usr/lib/x86_64-linux-gnu/libstdc++.so.6 | grep GLIBCXX

如果存在，建立软链接

cd /home/[用户名]/anaconda3/envs/[环境名]/lib/
mv libstdc++.so.6 libstdc++.so.6.old
ln -s /usr/lib/x86_64-linux-gnu/libstdc++.so.6 libstdc++.so.6

b. 命令

cd ../install
python dreamplace/Placer.py test/ispd2005/adaptec1.json
python unittest/ops/hpwl_unittest.py

在这里插入图片描述

成功标志：

全局布局完成：迭代了 606 次，最终目标函数值收敛
合法化成功：标准单元合法化完成，没有未放置的单元
详细布局完成：使用了多种优化算法（K-Reorder、独立集匹配、全局交换等）
结果输出：成功将布局结果写入 results/adaptec1/adaptec1.gp.pl

关键性能指标：

初始线长：约 7.39e+07
最终线长：约 7.28e+07（优化了约 1.5%）
总运行时间：13.460 秒
溢出率：从开始的 53.7% 降低到最终的 7.28%

这个单元测试成功通过了，说明 DREAMPlace 的线长计算功能正常工作。
测试通过的关键指标：

CPU 和 GPU 计算结果一致：hpwl_value = 9.5 和 hpwl_value cuda = 9.5
原子操作测试通过：hpwl_value atomic = 9.5 和 hpwl_value cuda atomic = 9.5
与预期值匹配：golden_value = 9.499999761581421

测试数据说明：

网络权重：[1. 2.]（两个网络的不同权重）
引脚坐标：5个引脚的二维坐标
网络到引脚的映射：正确建立了网络拓扑关系
线长计算：HPWL（半周长线长）计算正确

c. 文件目录

安装完成后的目录结构如下，主要用到的东西都在 install 文件夹内：

DREAMPlace
|-- CMakeLists.txt
|-- Dockerfile
|-- LICENSE
|-- README.md
|-- benchmarks
|-- build
|-- cmake
|-- dreamplace
|-- images
|-- install
|   |-- benchmarks
|   |   |-- ispd2005
|   |   |   |-- adaptec1
|   |   |   |   |-- adaptec1.aux
|   |   |   |   |-- adaptec1.dp.aux
|   |   |   |   |-- adaptec1.eplace-ip.pl
|   |   |   |   |-- adaptec1.eplace.aux
|   |   |   |   |-- adaptec1.lg.pl
|   |   |   |   |-- adaptec1.nets
|   |   |   |   |-- adaptec1.nodes
|   |   |   |   |-- adaptec1.pl
|   |   |   |   |-- adaptec1.scl
|   |   |   |   `-- adaptec1.wts
|   |   |   |-- adaptec2
|   |   |   |-- adaptec3
|   |   |   |-- adaptec4
|   |   |   |-- bigblue1
|   |   |   |-- bigblue2
|   |   |   |-- bigblue3
|   |   |   `-- bigblue4
|   |   |-- ispd2005_2015.py
|   |   `-- ispd2019.py
|   |-- bin
|   |-- dreamplace
|   |   |-- BasicPlace.py
|   |   |-- EvalMetrics.py
|   |   |-- NesterovAcceleratedGradientOptimizer.py
|   |   |-- NonLinearPlace.py
|   |   |-- Params.py
|   |   |-- PlaceDB.py
|   |   |-- PlaceObj.py
|   |   |-- Placer.py
|   |   |-- Timer.py
|   |   |-- __init__.py
|   |   |-- configure.py
|   |   |-- ops
|   |   `-- params.json
|   |-- include
|   |-- lib
|   |-- test
|   |   |-- dac2012
|   |   |-- iccad2014
|   |   |-- iccad2015.ot
|   |   |-- ispd2005
|   |   |-- ispd2015
|   |   `-- ispd2019
|   |-- thirdparty
|   `-- unittest
|-- requirements.txt
|-- test
|-- thirdparty
`-- unittest

腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

Elasticsearch复杂数据类型终极指南：从入门到精通

Elasticsearch作为功能强大的搜索引擎，支持多种复杂数据类型，让开发者能够灵活处理各种结构化和非结构化数据。本文将带你全面了解Elasticsearch中的复杂数据类型，从基础概念到实际应用，助你轻松掌握数据建模的核心技巧。## 内部对象：构建层级化数据结构在Elasticsearch中，对象类型（Object）是最基础的复杂数据类型之一，用于表示具有嵌套关系的数据。例如，我们可

腾讯云开发者社区

终极指南：Flink SQL连接器版本管理从混乱到有序的升级之路

Apache Flink作为流处理领域的佼佼者，其SQL连接器的版本管理一直是开发者面临的核心挑战。本文将系统讲解Flink SQL连接器版本管理的最佳实践，帮助你轻松应对版本兼容性问题，实现从混乱到有序的升级之旅。## 连接器版本管理的常见痛点 😫在Flink应用开发中，连接器版本管理常常让开发者头疼不已。不同版本的连接器可能导致各种兼容性问题，例如API变更、功能差异甚至运行时错误。

腾讯云开发者社区

如何快速搭建Neon无服务器PostgreSQL：面向初学者的完整指南

Neon是一款革命性的无服务器PostgreSQL解决方案，它通过分离存储和计算层，实现了自动扩缩容、类代码式数据库分支以及零级扩展能力。本指南将帮助你从零开始搭建Neon开发环境，体验这款创新数据库的强大功能。## 准备工作：环境要求与依赖项在开始搭建Neon环境前，请确保你的系统满足以下要求：- Linux操作系统（推荐Ubuntu 20.04+或Debian 11+）- Git

腾讯云开发者社区

所有评论(0)

查看更多评论

涂901

@weixin_64880160

已为社区贡献1条内容

【DREAMPlace最全复现】双系统Ubuntu22.04安装&配置：NVIDIA+docker+pycharm+anaconda+PyTorch+cuda

涂901

一、项目

二、环境

三、Ubuntu安装

（一）流程

（二）问题

四、环境配置

（一）国内镜像源替换

（二）NVIDIA安装

（三）pycharm安装

（四）docker + nvidia-docker安装

1. docker安装

2. nvidia-docker/nvidia-container-toolkit安装

（五）anaconda + python 3.9 安装+pycharm启动

1. anaconda安装

2. python3.9安装

3. pycharm启动python3.9环境

（六）PyTorch + cuda

1. 考虑对应的版本

2. torch 2.0.1

3. CUDA 11.8

4. 验证torch和CUDA的安装

（七）Boost + Bison + flex安装

（八）GCC降级

五、DREAMPlace复现

（一）使用 Docker 构建和运行

1. 获取Docker镜像

2. 进入 DREAMPlace 的 Docker 容器环境

3. 在容器内编译 DREAMPlace

4. 下载测试用例

5. 运行测试

（二）不使用 Docker 构建和运行

1. 自查第三方依赖

2. git项目与子模块

3. 安装其他python依赖

4. 编译DREAMPlace

a. 修改

b. 编译

5. 下载测试用例

6. 运行测试

a. 自查

b. 命令

c. 文件目录

所有评论(0)

温馨提示：您尚未绑定手机号

涂901