前言
体验过CPU和GPU速度之后,就不会再想使用CPU版本的机器学习框架进行训练。
安装CUDA
第一步就是要完成cuda的安装,进入NIVIDA控制面板
->系统信息
->组件
,查看3D设置
中的NVCUDA64.DLL
,这里显示的就是当前显卡驱动所支持的CUDA信息,所要安装的CUDA版本不得大于这里显示的版本。然后前往CUDA官网下载CUDA。建议在下载之前先去其他一些网址看一下支持的CUDA版本,以免到时候重新安装
- tensorflow (换成English可以看最新支持)
- pytorch
如果发现自己安装的版本没有已经构建好的版本还有两种方法。
- 自行从源码编译,这点不推荐,想起来我之间自己在树莓派上面编译opencv的经历颜文字(ಥ _ ಥ),强烈不推荐。
- 卸载重装CUDA
重装CUDA比较简单,见下图中的NVIDIA应用除了NVIDIA的图形驱动程序
和NVIDIA Physx系统软件
都卸载就行。如果下不动的就使用迅雷11,新版迅雷配合网盘简直神一般的体验。
安装完成后可以在命令行里面使用nvcc -V
看看结果。
cuDNN安装
cuDNN安装比较简单,首先进入官网,选择你安装的CUDA的对应版本即可。下载也需要进行注册,填一个调查问卷,但是因为我实在进不去,就使用迅雷接管下载链接之间下载。将解压后的bin
、include
、lib
三个文件复制进入C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0
即可。我安装的版本是8.0.4
pytorch安装
听闻pytorch容易调试,且搭建网络比较快,而我此前只是用过tensorflow2.0中的keras进行过搭建,因此本次毕设初步打算使用pytorch作为工具,也可能不用呢( ̄y▽, ̄)╭ 。使用pytorch推荐的conda安装方法
1 | conda install pytorch torchvision torchaudio cudatoolkit=11.0 -c pytorch |
这里我是使用清华镜像源的,是否要加-c pytorch
还是看你的.condarc
怎么写的,如果写了custom_channels
且里面的pytorch
也是用了清华源的可以加,没有的话就去掉-c pytorch
,然而我镜像源也下不了(吐了),发现浏览器也下不了,就只能用迅雷接管下载,然后本地安装。
1 | #本地安装 |
然后进行测试
后记
环境的搭建就到此为止,安装并不难,只是我没想到我尽然会连镜像源都下不动😩。后续视情况可能会使用GPU服务器,但是现在先在本地收集数据集和预先学习。