connaissances de base
GPU : c'est-à-dire une carte graphique. Sa capacité de calcul parallèle peut répondre aux besoins de puissance de calcul en apprentissage profond. Actuellement, le GPU de NVIDIA est le courant dominant.
CUDA : Le framework de calcul parallèle GPU construit par NVIDIA ne peut utiliser le GPU que pour le calcul parallèle complexe après l'installation. À l'heure actuelle, la plupart des frameworks d'apprentissage en profondeur sont également basés sur CUDA pour l'accélération parallèle GPU.
cuDNN : est une bibliothèque accélérée pour les réseaux de neurones à convolution profonde. CUDA peut être considéré comme une plate-forme informatique complète, et cuDNN est un outil nécessaire pour les opérations de réseau neuronal profond. Étant donné que CUDA n'inclut pas cuDNN au début, cuDNN doit être téléchargé séparément pour être utilisé.
Pour faire simple, avant d'utiliser des frameworks d'apprentissage en profondeur tels que Pytorch et TensorFlow, vous devez vous assurer que la machine dispose d'un GPU disponible et configurer l'environnement d'exploitation CUDA et cuDNN. (Bien qu'il existe des frameworks qui fournissent des versions CPU, il est également souligné que GPU et CUDA peuvent mieux jouer ses performances)
Environnement local:
- Win10 Professionnel x64
- Version GPU : NVIDIA GeForce GTX 950M
- Version CUDA correspondante : 10.0.132
- Comment vérifier si le GPU local prend en charge CUDA et la version correspondante
processus d'installation
- Processus d'installation de CUDA et cuDNN
- Installation de Pytorch (Étant donné que la page de téléchargement du site officiel ne répertorie pas la version CUDA10.0 correspondante, cette solution est adoptée)
- Selon la méthode de détection , le test dans Pycharm peut être utilisé normalement
import torch # 如正常则静默
a = torch.Tensor([1.]) # 如正常则静默
print(a.cuda()) # 如正常则返回"tensor([ 1.], device='cuda:0')"
from torch.backends import cudnn # 如正常则静默
print(cudnn.is_acceptable(a.cuda())) # 如正常则返回 "True"
Avis:
s'assurerVersion CUDA prise en charge par le GPU、Version cuDNN correspondant à CUDA、La version Pytorch correspondant à CUDAC'est correct, sinon il y aura divers problèmes lors d'une utilisation ultérieure : (