GPU环境准备
GPU服务器选择
目前云服务厂商都有售卖GPU云服务器，比如腾讯云和阿里云，以腾讯云为例，登录这个网址： cloud.tencent.com/product/gpu 点击【立即选购】可以进入选购页面。每种机型又对应不同的规格。基本上同机型（比如GN7）他们的显卡型号都是相同的，该机型下对不同规格（比如GN7.LARGE20、GN7.2XLARGE32)在CPU、内存、带宽以及显卡个数方面是不同的。下面简单列一下机型与显卡的对应关系（截至2022年5月）：
| 机型 | 显卡 |
|---|---|
| GN6 | Tesla P4 |
| GN6S | Tesla P4 |
| GN7 | NVIDIA T4 |
| GN8 | Tesla P40 |
| GN10X | Tesla V100 |
| GN10Xp | Tesla V100 |
| GI3X | NVIDIA T4 |
| GT4 | NVIDIA A100 |
| GI1 | Intel SG1加速卡 |
显卡型号知识
我们忽略Intel的那个，其余的显卡都是NVIDIA的。这也看出黄仁勋在机器学习时代可谓赚的盆满钵满。
这里面没有我们日常所说的Geforce系列的GTX、RTX那种显卡。因为Geforce系列是桌面端的（笔记本/台式机）显卡，而这里面显卡是服务端（数据中心/工作站）的显卡。就好比我们个人电脑上的CPU是Intel酷睿（Core）系列，而公司服务器上的CPU是Intel至强（Xeon）系列。
当然并不能说服务端的这些显卡就一定比桌面端的显卡性能更好，具体还是要看算力，显卡的算力信息可以在NVIDIA的官网上查到： developer.nvidia.com/cuda-gpus
我的显卡是Tesla P4，算力是6.1
好了，让我们略过服务器选购的具体细节，其实这一步最大的阻碍不是算力，而是钱啦。也略过云服务器初始化的步骤，那和普通的云服务器没有差别，都是选择一台Linux然后初始化一些配置而已。
另外如果你没有购买云服务器，而是有一个装有N卡的个人电脑，那么下面的内容同样适用于你。
驱动安装
新的GPU服务器虽然有显卡，但是是没有显卡驱动的。这里需要我们手动安装一下。首先先去NVIDIA官网去下载驱动：
主要根据你的系统类型以及你的显卡型号（产品系列与产品家族）来选择：
点【搜索】
点【下载】
这一步不用点【下载】，因为我们是给云服务器（或者你本地的Linux虚拟机）安装显卡。所以右键复制下载链接，然后再服务器上wget下载，然后运行：
wget https://cn.download.nvidia.com/tesla/510.47.03/NVIDIA-Linux-x86_64-510.47.03.run
chmod a+x NVIDIA-Linux-x86_64-510.47.03.run
./NVIDIA-Linux-x86_64-510.47.03.run
复制代码执行以后就会开始安装，期间可能收到提示：服务器上gcc版本（比如gcc8.5）和编译kernel的gcc版本（比如gcc8.4）不一致的警告。版本号差异不大的话就忽略，否则可能需要重新安装一个同版本的gcc编译器。
执行完成后怎么确认驱动安装是OK的呢？我们可以执行一下nvidia-smi这个命令。
nvidia-smi
输出如下：
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 510.47.03 Driver Version: 510.47.03 CUDA Version: 11.6 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 Tesla P4 Off | 00000000:00:08.0 Off | 0 |
| N/A 35C P0 21W / 75W | 0MiB / 7680MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+
复制代码能展示出信息，就是驱动安装OK了。怎么来解读这个信息呢。以中间的空行分隔，可以把整个信息分成三个部分。 先说第一部分，也就是第一行：
- nvidia-smi命令的版本
- 显卡驱动的版本
- cuda的版本
第二部分，也就是第二行到空行之间的部分，这是一个显卡新的表格，===这行上面是表头，下面是表数据。这里只有一张显卡，如果有多张显卡，下面会追加几行。上图的第二部分，我换个形式会更好理解：
| 表头 | 数据 | 含义 |
|---|---|---|
| GPU | 0 | 显卡ID，从0计数 |
| Fan | N/A | 风扇转速 |
| Name | Tesla P4 | 显卡型号 |
| Temp | 35C | 温度 |
| Perf | P0 | 性能级别，从大到小为P0~P12 |
| Persistence-M | Off | 是否是持续模式 |
| Pwr:Usage/Cap | 21W/75W | 能耗 |
| Bus-Id | 00000000:00:08.0 | GPU总线ID |
| Disap.A | Off | Disaplay Active，GPU的显示是否初始化 |
| Memory-Usage | 0MiB/7680MiB | 显存使用率 |
| Volatile GPU-Util | 0 | GPU利用率 |
| Uncorr. ECC | 0 | ECC，错误检查与纠正 |
| Compute M. | Default | 计算模式 |
| MIG M. | N/A | MIG模式 |
Persistence-M（持续模式）开启之后能耗会增加，但是新GPU程序启动的耗时会减少。如果它的状态是Off，可以使用这个命令来开启：
nvidia-smi -pm 1
复制代码注意Memory-Usage（显存使用率）和GPU-Util(GPU利用率)没有必要联系。就好比内存使用率和CPU的使用率也没有必然联系一样！
MIG M.是一个比较新的数据，在老版本的nvidia-smi上是没有这个信息的，对我们来说不用特别关注，感兴趣的可以阅读： docs.nvidia.com/datacenter/…
nvidia-smi的第三部分，比较好理解，就是当前使用了GPU的进程信息。由于我们还没有使用GPU跑程序，所以这里是空的：
| 表头 | 含义 |
|---|---|
| GPU | 显卡ID |
| PID | 进程ID |
| TYPE | 类型。C：计算进程，G：图形进程，C+G：计算与图形都有 |
| Process name | 进程名 |
| GPU Memory Usage | 进程的显卡使用率 |
GI ID、CI ID目前没找到资料，这个也是新版本nvidia-smi新加的，旧版本都是没有的。暂时忽略。
跑一个机器学习任务
安装conda
说到机器学习，自然少不了python。而conda也少不了。conda是一个python的环境管理器，也包含包管理功能，比pip更强大。一般有图形界面的个人电脑上装Anaconda比较好，因为有GUI，各种操作比较方便。但是云服务器上就没必要装Anaconda了，直接装无图形界面miniconda就好了。地址如下：
同样使用右键复制下来下载地址，然后在服务器上下载并执行：
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
chmod a+x Miniconda3-latest-Linux-x86_64.sh
./Miniconda3-latest-Linux-x86_64.sh
复制代码这也就完成了安装，接着加载一下环境变量。 比如：
source ~/.bashrc
复制代码或者
source ~/.zshrc
复制代码添加国内conda源
可以给conda添加国内的源来加快下载速度。比如清华的源。之前也有中科大的源，目前好像已经失效了。
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
复制代码创建一个conda环境
接下来我们要跑pytorch程序，所以使用conda创建一个环境，名称任意，我这里叫 pytorch_gpu
conda create -n pytorch_gpu
conda activate pytorch_gpu
复制代码目前是一个空环境，还没有安装pytorch
安装pytorch
执行如下命令，来安装pytorch及其依赖环境：
conda install pytorch torchvision torchaudio cudatoolkit=11.3
复制代码实际本机cuda是11.6，但是pytorch当前（2022年5月）最新的还是11.3。应该没关系。后续大家动态调整适合的版本即可。 也可以参考官网的指引： pytorch.org/get-started… 选择相应的环境，会生成对应的命令。
但官网上的conda命令还有一个 -c pytorch。-c是指定一个conda channel的意思，这里表示指定pytorch的channel，但是这个channel下载太慢了，实测去掉-c pytorch会使得下载提速。
conda命令完成执行，测试是否安装成功。可以编写如下python脚本来执行，或者直接打开python交互式命令：
import torch
print(torch.cuda.is_available())
复制代码import能成功，并且第二行代码返回True。表示安装成功，并且是GPU版本的pytorch。
训练模型
由于我本人并不是机器学习方面的专家，所以我决定直接网上找一个能用的pytorch训练模型的代码。这里我选择了BERT模型，BERT模型是谷歌提出的一个NLP领域的经典模型。这里不展开这些背景知识。
经过一番简单的搜索，我在Github上找到了这个排名比较靠前的pytorch bert相关的项目： github.com/649453932/B…
将项目clone下来，然后依据README，下载所需要的数据文件：一个是预训练的pytorch模型文件bert-base-chinese.tar.gz，另外一个是词典文件bert-base-chinese-vocab.txt。
模型文件解压后其实得到2个文件，一个是二进制的模型文件本身pytorch_model.bin，另外一个是模型的配置文件bert_config.json。都拷贝到项目的bert_pretrain目录中。词典文件改名成vocab.txt也放到bert_pretrain目录中。
在正式使用之前，我们在环境中再安装几个依赖的库：
conda install scikit-learn boto3 regex
conda install -c conda-forge tqdm
复制代码pytorch_pretrained_bert我使用pip安装的，因为conda中我没找到对应的包。
接着创建一个目录：
mkdir -p THUCNews/saved_dict
复制代码BERT模型的训练过程一般分为预训练（Pre-training）+ 微调（Fine-tuning）两步。我们下载的模型已经是预训练模型了，但它还不是最终的模型，还需要继续训练，也就是微调。 运行脚本，开始训练：
python run.py --model bert
复制代码这一步其实挺慢的。原作者说他2080Ti的显卡，要跑20分钟。 2080Ti是桌面端的显卡，通过前文提到的算力查看网站，能看到2080Ti的算力是7.5，比我云服务器的Tesla P4还高……
我们此时可以再次执行nvidia-smi命令来查看一下：
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 510.47.03 Driver Version: 510.47.03 CUDA Version: 11.6 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 Tesla P4 On | 00000000:00:08.0 Off | 0 |
| N/A 69C P0 66W / 75W | 6941MiB / 7680MiB | 90% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=============================================================================|
| 0 N/A N/A 309535 C python 6939MiB |
+-----------------------------------------------------------------------------+
复制代码可以发现第三部分的进程信息不再是空了，能看到一个PID为309535的进程在使用GPU，进程名是python占用显存6939MB。总的Memory-Usage是6941MB。二者几乎一样。
最终在我的云服务器上跑了75分钟…… 好吧。
模型预测
上面的脚本执行完成后，会训练出一个最终的模型，保存到THUCNews/saved_dict/bert.ckpt中。 接下来我们尝试使用这个模型做一下预测。原项目中作者没有封装预测的代码，但我们可以从项目issue中找到其他人分享的预测代码。比如这个：github.com/649453932/B…
把代码复制下来保存成 pred.py 。 另外这个issue中的预测代码运行过程中可能报这个错
RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0
and cpu! (when checking argument for argument index in method wrapper__index_select)
同样参考issue中其他网友提供的解决方案。修改build_predict_text() 方法中的ids、token、mask的代码，加上.cuda()即可:
ids = torch.LongTensor([token_ids]).cuda()
seq_len = torch.LongTensor([seq_len]).cuda()
mask = torch.LongTensor([mask]).cuda()
复制代码由于训练模型时用的数据集是新闻及其分类，所以模型的预测功能就是对新闻做分类。现在我们找一条最近的新闻来做一下预测。
热搜里找到一条新闻：【兰州野生动物园观光车侧翻事故新进展：2人经抢救无效死亡】新闻时间是2022年5月2日，模型训练用的数据集是2019年的，所以肯定不包含这条新闻。让我们来看看它能不能准确分类。修改main函数：
if __name__ == '__main__':
print(predict("兰州野生动物园观光车侧翻事故新进展：2人经抢救无效死亡"))
复制代码运行一下我们的pred.py得到结果：
society
也就是社会新闻，还是比较准的。