在进一步开始学习时，我们得检查一下手中的Jetson Nano开发板里的系统镜像中到底有啥环境，这一点非常重要，如果不知道系统镜像中有什么环境，可能会在后续的学习中做一些无用功。非常开心的是，官方给的系统镜像中JetPack，cuda，cudnn，opencv等都已经安装好，并有例子，这些例子安装路径如下所示，大家可以自行查看。

TensorRT /usr/src/tensorrt/samples/

CUDA /usr/local/cuda-10.2/samples/

cuDNN /usr/src/cudnn_samples_v8/

VisionWorks /usr/share/visionworks/sources/samples/ /usr/share/visionworks-tracking/sources/samples/ /usr/share/visionworks-sfm/sources/samples/

OpenCV /usr/share/opencv4/samples/

安装JTOP查看系统资源占用情况

        由于系统中并没有安装pip3，所以得先安装一下pip3。

sudo apt-get install python3-pip

        随后安装JTOP

sudo pip3 install jetson-stats

        打开JTOP，查看系统资源占用情况。点击下方栏目，可以查看CPU、GPU等具体的运行情况。

sudo jtop

检查CUDA

      虽然已经预装好了CUDA，但是我们运行nvcc -V的时候会发现系统查找不到命令，需要我们自行配置环境。

  

        先查看一下，cuda的bin目录下是否有nvcc，发现存在。

sudo gedit ~/.bashrc  #进入配置文件； 在最后面添加以下两行： 

export PATH=/usr/local/cuda/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

         保存后要source一下生效，然后再执行nvcc -V，可以得到版本号。

source ~/.bashrc

nvcc -V

检查OPENCV

        Jetson-nano中已经安装了OpenCV4.1.1版本，可以使用命令检查OpenCV是否安装就绪

pkg-config opencv4 --modversion

        还有一种办法就是直接python里import一下就知道了。可见在python2和3中都已安装编译完成。

 检查cuDNN

        Jetson-nano中已经安装好了cuDNN，并有例子可供运行，我们运行一下例子，也正好验证上面的CUDA。

cd /usr/src/cudnn_samples_v8/mnistCUDNN/

#进入例子目录

sudo make     #编译一下例子

        哦天那，报错了。尝试解决一下。

sudo apt-get install libfreeimage3 libfreeimage-dev

        然后重新编译运行。

sudo make

./mnistCUDNN

        测试通过，没啥问题了，可以继续进行下一步的学习了。