深度学习GPU和CUDA配置

预备知识

😊Anaconda

管理python环境，可以做到环境隔离，避免依赖冲突等问题

1. 创建一个虚拟环境（比如叫tuduipytorch)

​ conda create –n 虚拟环境名字 python=版本

2. 添加镜像加速

   conda create –n 虚拟环境名字 python=版本 –c 镜像地址

3. 删除虚拟环境

   conda remove –n 虚拟环境名字 –all

镜像名	用于创建环境镜像地址
清华镜像	https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
北京外国语大学镜像	https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
阿里巴巴镜像	http://mirrors.aliyun.com/anaconda/pkgs/main

持久添加通道：

conda config –add channels 通道地址

删除通道：conda config –remove channels 通道地址

如何查看配置文件中有哪些通道？

conda config –get

conda config –show

😊显卡GPU，驱动

• GPU (Graphics Processing Unit)

• 显卡，主要就是用于在屏幕上显示图像。用于与视频，图像处理相关的任务。

• 驱动：让计算机识别特定的硬件。

😊深度学习显卡，CUDA

• 深度学习显卡，英伟达品牌的显卡。NVIDIA
• 有了CUDA，我们就可以操作英伟达品牌的显卡

---

Windows下安装PyTorch(GPU版本)流程

1.确定自己的硬件信息–确定电脑有英伟达（NVIDIA）显卡

• 检查任务管理器–如果GPU中带有NVIDIA字眼，说明有NVIDIA GPU
• 你觉得你有，但任务管理器上没有–有可能是你没装驱动

2.下载安装Anaconda

官网https://www.anaconda.com/

选择Products -> Anaconda Distribution

点击Download，可以下载最新版本

​ https://repo.anaconda.com/archive/ 可以下载到历史版本

​ 安装路径最好全英文

3.利用conda或者pip安装PyTorch（坑最多的）

• 确定自己安装的CUDA版本与GPU关系

  首先， 确定自己的显卡型号，确定自己显卡的算力，

  再，下载显卡驱动程序，确定CUDA Driver的版本

  最后，确定自己的可选择CUDA Runtime Version

  PS：确保自己的CUDA Driver版本>= CUDA Runtime版本

• 安装GPU版本PyTorch

简单操作

1.确定显卡型号 RTX 2060

确定显卡算力7.5

https://en.wikipedia.org/wiki/CUDA

安装显卡驱动最新版本-https://www.nvidia.cn/Download/index.aspx?lang=cn

2.打开命令窗口，输入nvidia-smi来确定cuda driver的版本（我的是12.0）

3.确定CUDA Runtime版本

以下图来自wikipedia，假设7.5的算力，则对应的最大的CUDA SDK version为10.0 - 10.2，也可以是11.0，11.1-11.4往上包含7.5的算力即可，确保CUDA Driver版本（nvidia-smi查看的12.0）>= CUDA Runtime版本，

最终我们确定适用CUDA 10.0，11.0，—12.0

4.安装GPU版本PyTorch，去pytorch网站上找对应的包

https://pytorch.org/get-started/previous-versions/

例如：

# CUDA 11.3
conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch

4.下载安装/配置PyCharm

略

---

验证pytorch是否成功

1.激活对应的虚拟环境（你安装Pytorch的虚拟环境）conda activate虚拟环境名

2.输入condalist，看有没有pytorch或者torch

3.输入python

4.输入import torch

5.输入torch.cuda.is_available()

6.如果显示True，就说明我们这个PyTorch安装成功了

参考：b站 小土堆