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

GPU信息

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。

GPU信息

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 binincludelib 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
2
3
#本地安装
conda install --use-local cudatoolkit-11.0.221-h74a9793_0.conda
conda install --use-local pytorch-1.7.1-py3.8_cuda110_cudnn8_0.tar.bz2

然后进行测试
verify

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。