Setup Jetson Nano
因为Nano是Arm架构，所以相比x86_64架构的配置流程有所区别。
解决BUG部分请直接跳到本文最后。
1. Notification
Arm的许多源是与x86_64源不同的，所以除非很有把握，最好保持Nvidia出厂配置的源不变，轻易不改变软件源。
另外Nvidia官方提供的系统镜像中，是已经配置好CUDA、NVCC、CuDNN等组件的，不需要再自行配置，具体可通过nvcc -V、ls /usr/local/cuda等查看。
特别注意，不能使用nvidia-smi并不是bug，是因为Nano镜像中确实没有此工具。
2. Setup Python Env.
Python既可以使用apt安装在系统目录中，也可以使用conda安装在用户目录中。
2.1 安装到系统
sudo apt update
sudo apt install python3-pip
sudo pip3 install -U pip
如果想（或需要）使用命令python、pip来代替python3、pip3，可以通过创建/修改软链接的方法替换原命令：
sudo ln -sf /usr/bin/python3 /usr/bin/python
sudo ln -sf /usr/bin/pip3 /usr/bin/pip
当然如果不想用软链接，也可以通过修改配置文件（如添加alias等）达到目的，具体做法自行搜索。
完成后使用which python和python -V确认版本。
2.2 安装到用户主目录
2.2.1 Install conda with miniforge
传统架构中，经常使用anaconda或miniconda管理python环境，但arm架构中需要使用miniforge代替：
cd ~
wget https://github.com/conda-forge/miniforge/releases/download/4.8.2-1/Miniforge3-4.8.2-1-Linux-aarch64.sh
bash Miniforge3-4.8.2-1-Linux-aarch64.sh
安装过程中，按q跳过用户协议，其它过程根据提示输入yes或Enter即可。
安装完毕后，使用source ~/.bashrc激活conda环境。
2.2.2 Decrease python version to 3.6
因为Nvidia提供的Tensorflow 2.X是在python 3.6环境下编译的，因此需要对conda的默认python降级。
如果不想改变默认python版本，也可以使用
conda create -n py3.6 python=3.6来创建新环境。
conda install python=3.6
完成后使用which python和python -V确认版本。
3. Install System Dependencies
因为Arm下许多库都要从源编译，因此需要安装一些编译过程用到的库。
如果第2节是按2.1步骤将python与pip安装到系统，那后续使用
pip3时都要先加上sudo。
sudo apt-get install libhdf5-serial-dev hdf5-tools libhdf5-dev zlib1g-dev zip libjpeg8-dev liblapack-dev libblas-dev gfortran
python3 -m pip install -U pip
python3 -m pip install -U CPython testresources setuptools
4. Install Python Libraries
这些依赖项中的很多是为Tensorflow准备的，如果不打算安装Tensorflow，可以先跳过本节，等到后面安装报错的时候再根据错误信息回头检视缺少的库。
pip3 install -U numpy==1.16.1 future==0.17.1 mock==3.0.5 h5py==2.9.0 keras_preprocessing==1.0.5 keras_applications==1.0.8 gast==0.2.2 futures protobuf pybind11
编译安装时间会很长（1小时以上），注意不要断网断电。
5. Install Tensorflow
访问Nvidia再发行版Tensorflow官网，选择合适的版本下载安装。此处以tf_gpu-2.2.0+nv20.6-py3为例：
cd
wget https://developer.download.nvidia.com/compute/redist/jp/v44/tensorflow/tensorflow-2.2.0+nv20.6-cp36-cp36m-linux_aarch64.whl
pip3 install tensorflow-2.2.0+nv20.6-cp36-cp36m-linux_aarch64.whl
部分依赖项的编译时间较长。
JetPack的版本可以根据手中Jetson的CUDA版本确定。运行
ls /usr/local/cuda*及cat /usr/local/cuda-*/version.txt可查看本机CUDA版本。JetPack4.4中CUDA版本为10.2，JetPack4.2/4.3中CUDA版本为10.0。
6. Install PyTorch
在NVIDIA论坛Jetson版块下的PyTorch for Jetson帖子中，下载合适的pip安装包，此处以python3.6为例：
wget https://nvidia.box.com/shared/static/p57jwntv436lfrd78inwl7iml6p13fzh.whl -O torch-1.8.0-cp36-cp36m-linux_aarch64.whl
pip3 install numpy torch-1.8.0-cp36-cp36m-linux_aarch64.whl
同时还要安装torchvision（以torch1.8.0为例，使用torchvision版本v0.9.0，其它版本号查看https://github.com/pytorch/vision里可用的tags）：
sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev
git clone --branch v0.9.0 https://github.com/pytorch/vision torchvision # see github tags for version of torchvision to download
cd torchvision
export BUILD_VERSION=0.x.0 # where 0.x.0 is the torchvision version
python3 setup.py install --user
编译安装时间会很长（实测平均30分钟），注意不要断网断电。
如果报错error processing package nvidia-l4t-initrd，请把/usr/sbin/l4t_payload_updater_t210的第一句改成#!/usr/bin/python2。具体参看文末Solve Bug小节。
7. Install ROS
略
Solve Bug
| Bug | Solution | Ref. |
|---|---|---|
| h5py编译出错 | 需要先手动安装CPython再编译。 | hzy1997 |
| 找不到xlocale.h | 创建指向locale.h的软链接：sudo ln -s /usr/include/locale.h /usr/include/xlocale.h |
dmytrolev |
| cannot allocate memory in static TLS block | 在.bashrc中加入export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libgomp.so.1，并. .bashrc |
OliverFaust |
| scikit-learn未正确编译 | 从源码安装：pip install git+https://github.com/scikit-learn/scikit-learn.git。系统级：sudo apt install python-sklearn |
sklearn |
| error processing package nvidia-l4t-initrd | 把/usr/sbin/l4t_payload_updater_t210第一句的python改成python2，或者暂时把系统默认python改为2.x |
monkeyy043y |