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。