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。