卸载cuda11.0(卸载cuda10.0)

卸载cuda11.0

虑驱动问题，可以用驱动人生解决 正确更新驱动的方法(试过更新驱动的同学请严格按照此步骤操作，没有找到inf文件可以跳过)：

1、打开"我的电脑","卸载或更改程序/ 添加删除程序",卸载驱动相关程序（声音问题卸载声卡驱动，画面问题卸载显卡驱动，其他类推），

2、打开C:\Windows\inf，找出OEM开头的文件全部删除，

3、然后重启电脑，用驱动人生更新推荐驱动.

4、如果问题依然存在，可以重复上面的步骤，安装其他版本的驱动 或者联系驱动人生的在线工程师处理 如果您觉得我的方法对您有帮助，请采纳，以便让更多人解决类似的问题！

卸载cuda10.0

主要与以下两个方面的因素有关：

1、与电脑配置有关，比如CPU、显卡、内存、硬盘等。

2、与渲染的内容有关，比如渲染时的效果添加、分辨率等。

解决办法：

1、打开Pr后，点击【文件】，找到【项目设置】里的【常规】，将【渲染程序】更改为【Mercury Playback GPU加速（CUDA）】,这个操作是开启GPU加速，能有效提高渲染时的速度。

2、将Pr文件存在除C盘以外的有足够内存的非西戎盘上，再打开【文件】中的【项目设置】找到【暂存盘】，将下面的保存路径更改为【与项目相同】，这个操作能有效避免因内存过满而造成的电脑卡顿现象出现。

3、点击【编辑】找到【首选项】中的【媒体与缓存】，点击【删除未使用】按钮，并同样将【媒体缓存数据库】中的位置选择一个内存较大的盘，这个操作有效的清理了内存，释放了一定的储存空间，可以说和清理电脑垃圾是一个道理。

4、在满足需求的前提下，尽量减少视频制作中特效、复杂动画的使用，减小视频的分辨率和码率，这些操作可以有效的提高渲染的速度。

卸载cuda10.2

出现这样的问题很常见，用以下方法及解决方案就可以解决啦:

1.首先得知道为什么不显示，一般pr中的视频无法显示通常是因为你添加的视频被变动了位置，

2.比如被你移动到了其他磁盘或者文件夹，或者是被删除了，都有可能不显示

3.可以通过重新定义视频的位置，恢复显示，如果经过检查发现是视频被删除，则需要重新获取视频素材。

卸载CUDA

推荐你下一个软件，everything，可以快速搜索。

推荐你看官方安装手册。一定要先装好vs再去装cuda。

推荐你下载DDU先把驱动卸载了，再直接用cuda安装包安cuda。也就是不要提前先装驱动，Ubuntu系统下要先提前装好显卡驱动，但windows一定不要提前装驱动。自己踩过的坑，希望大家不要再踩。

卸载cudatoolkit

1、Azure机器学习

　　如果你没有高超的编程技能，但很希望能够涉足机器学习领域，那你应该好好研究Azure机器学习。(注意，你应该有一些机器学习和数据科学的基础，这样才能感受到该平台提供的好处)。它是基于云端的服务，提供的工具可用来部署预测模型作为分析解决方案。还可以用来测试机器学习模型，运行算法，并创建推荐系统等等。然而，用户界面是使用者对它的吐槽点，尤其是涉及到代码编写的时候。在这里可以了解更多关于Azure机器学习的内容!

　　2、Caffe（卷积神经网络框架）

　　Caffe的创建者是贾扬清，它是作为加州大学伯克利分校的Jia’s Ph.D研究的一部 分。现在已经发展成为深度学习的一个开源框架了，支持各种类型的软件架构设计会议及图像分割和图像分类。Caffe以其简单易读的源代码和绝佳的质量性能而大受追捧。一些否定者认为由于需要使用Cude/C++编写新的层，而且在为大型网络编写原始文件时很难使用。在这里了解Caffe的更多内容吧!

　　3、CNTK

　　CNTK(计算网络工具包)是一款深度学习的工具包，是由微软开发的“通过有向图将神经网络描述为一系列的计算步骤”。它可以帮助用户把不同类型的神经网络轻松地结合到一起，它有着巨大的性能，还允许分布式训练，灵活度非常高。另一方面，它的源代码没有那么的简单易读，而且缺乏可视化。这里可以了解更多关于CNTK!

　　4、Deeplearning4j

　　DeepLearning4J自称是专门适用于JVM的开源、分布式深度学习的库。它特别适于培训分布式深度学习网络，可以非常稳定的处理大量数据。它还可以整合Hadoop和Spark，可以从头开始实现机器学习算法。另一方面，对于机器学习来说，Java并不是非常受欢迎，所以DL4J不能像其它库那样依靠越来越多的代码库，因此开发成本可能会更高。此外，因为它是用Java构建的，所以必须自己手工创建显式类以便将矩阵添加到一起，而如果是用Python的话，那就不需要创建了。在这里了解更多关于DeepLearning4J!

　　5、IBM Watson

　　IBM Watson被称为“问答机器”。它使用分析能力和人工智能增强human-like的能力来应对问题。它可以帮助用户拥有强大的商业洞察力，然后在已经很明智的决定上做出更明智的决定。IBM还可以确保用户的数据得到世界级的安全保护和加密功能，而且承诺不会分享数据，除非你自己愿意。另一方面，它的缺点包括只能用英语，不能直接处理结构化数据，转换和集成需要耗费很高的成本。在这里了解更多关于IBM Watson!

　　6、Keras

　　Keras神经网络是一个用Python编写的开源库。如果你正在寻找哪些库可以允许用户执行快速而且简单的实验，那么Keras应该就是你需要的!它作用于卷积神经网络和/或复发性神经网络，也可以运行在两个CPU和GPU。其优点是易于使用，对于熟悉深入学习的开发者来说非常简单，但它的缺点就是如果想超越表面级别的定制可能会比较困难，其数据处理工具有点负担。不过，总的来说，这是一个正在发展中的API，已经走过了漫长的道路，没有人可以预言它的极限在哪里.

　　7、Pybrain

　　PyBrain是一个开源的、模块化的机器学习库。它完全面向框架，PyBrain旨在成为一个使用群众包括既有刚刚开始探索世界的学生，也有专门从事于深入学习和神经网络的计算机科学研究人员的工具。PyBrains库是由算法组成的，这些算法允许开发人员使用强化学习等概念，非监督机器学习和神经网络。在这里了解更多关于PyBrain!

　　8、Scikit-Learn

　　Scikit-learn机器学习是一个开源框架，Python有用的数据挖掘、数据分析和数据可视化。它有利于分类、回归、聚类、降维、模型选择、预处理，等等。它是建立在NumPy，SciPy，matplotlib。使用Python，工作速度比R和有伟大的表现。然而，没有分布式版本可用，不适合大数据集。了解更多关于scikit-learn这里!

　　9、Swift AI

　　Swift人工智能是Swift用于深度学习和神经网络的库，支持Mac机器(很快也会支持Linux)。这个库是由各种工具组成，允许开发人员创建神经网络，创建深度学习算法和信号处理。在GitHub页面上显示的示例项目表明Swift AI已经迅速被用于创建可以识别人类笔迹模式的软件。在这里了解更多关于Swift AI!

　　10、Tensorflow

　　最初是由谷歌的机器智能研究开发部门研究出来的，是用来进行深度学习神经网络和机器学习的研究，TensorFlow现在已经是semi-open-source库了，允许开发人员进行数值计算。AI开发者可以使用TensorFlow库在模式识别方面构建和训练神经网络。它是用Python和C++这两门强大的以及广受欢迎的编程语言编写的，允许分布式训练。它的缺点是不包含许多pre-trained模型，像Caffe一样，也不支持外部数据集。在这里了解更多关于TensorFlow!

　　11、Theano

　　Theano是一个使用计算机代数系统从而定义、优化、操作和评估数学表达式的Python库。如果你用深度学习处理，那就要处理很多数值的任务。Theano非常适合处理这些任务——特别是矩阵运算，符号变量，函数定义，可以即时编译为CPU或GPU的机器代码。Theano是时间最久的深度学习库之一，这意味着它非常成熟，但也意味着如果你想有一个高水平的抽象，它必须和其他库一起使用。在这里了解更多关于Theano!

　　12、Torch

　　Torch是一个用于科学计算的开源框架，支持机器学习算法。它得益于脚本语言LuaJIT和底层的C/CUDA实现，LuaJIT允许开发人员用C语言与Torch进行交互。正如在他们的网站上列出的那样，Torch使用者们的突出特性就是“强大的n维数组;线性代数的例程;神经网络、能源模型;快速和高效的GPU的支持。”此外，它还可以移植到iOS和Android的后端。Torch已经指出一些缺点，包括从目录中加载数据是非常困难，过于依赖Lua(相对较新的语言)使不容易被使用。在这里了解更多关于Torch!