深度学习GPU环境配置及建模(Python) |
您所在的位置：网站首页 › pytorch gpu下载 › 深度学习GPU环境配置及建模(Python) |
对于深度学习开发者，操作系统的选择、到深度学习相关依赖包安装、环境配置上，这些步骤看似简单基础，但其实也经常是有不少麻烦的。本文简要梳理了，从环境配置到深度学习建模的完整的流程，有所帮助的话，可以文末点个赞。 一、操作系统的选择 1.1 Linux如果是深度学习的重度用户，首选的操作系统是Linux，虽然操作门槛搞一些（如命令行操作），但linux的开发环境很友好，可以减少很多依赖包不兼容的问题，可以大大提高效率。linux的发行版很多，比较常用的的可以安装个包含图形界面及命令行的Ubuntu。 1.2、 Windows如果要兼顾生活及开发，就笔记本上面看看视频、写写博客、跑跑代码（像我平时就是ctrl c ，再跑跑代码的），windows就够了，操作简单而且上面的各种依赖包也很齐全。（下文主要以Windows系统为例展开介绍，其他系统也是大同小异，有不清楚地方可以找相应教程）。 1.3、 双系统的方案如果即想要linux做开发、windows兼顾生活，可以借助安装双系统或者虚拟机，那么有几种选择： 1、 安装双系统 硬件资源够的话，安装双个系统是比较直接的，能够比较纯粹地使用windows或者Linux，但是最麻烦的点在于切换间比较麻烦，需要开关机地切换。 2、 虚拟机 通过在虚拟机（如vmware）上面再安装另一个操作系统，这样打开虚拟机就可以很方便使用另一个系统了，但是缺点是虚拟机的硬件资源消耗也很高，而且有性能问题及各种bug。按我之前的尝试，这里更推荐linux作为主系统+虚拟机的windows，能更好发挥出Linux开发的效能。 3、 WSL 适用于 Linux 的 Windows 子系统 (WSL)是微软官方发布的应用，通俗来说它也就是Windows上面启用的Linux子系统。wsl安装非常简单，运行WSL的开销比运行一个虚拟机低很多，在wsl上面还可以配置cuda调用其GPU资源（但貌似配置复杂），用于日常学习是完全够用了。缺点是不如原linux来的纯粹，用于高强度开发的话，性能会弱些，还容易卡各种bug。 wsl安装简单，在windows功能上打勾启用wsl功能后， WIN+R运行cmd，一句命令行wsl --install就可以安装好ubuntu系统了，安装好后 wsl就可以使用Linux系统了（命令行cli版），两个系统之间数据可以自由访问，如访问D盘数据只要 cd /mnt/d，双系统使用上是非常方便的。 可以参考WSL官方文档：https://learn.microsoft.com/zh-cn/windows/wsl/install 二、Python环境配置搞定操作系统（比如Windows），接下来配置个Python环境。实现PYthon环境配置及依赖包管理最方便的就是安装个 anaconda，官网下载https://www.anaconda.com/download， 如果网速慢，也可以到清华镜像上面快速下载一个https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 安装也很简单，一路确认就安装好了。这里可以勾选Add path 就可以配置好环境变量，也可以再勾选anaconda作为默认Python版本，后面比较省心。 通过点击jupyter notebook就可以进入python开发环境了， 如果平时以小项目、数据分析、调调模型为主，jupyter notebook作为开发工具是够的。如果平时任务以大型项目居多，还可以再安装个IDE编辑器如vscode、pycharm。 三、安装相关的库这里有两种方案，如果只有CPU资源直接选择【3.1 CPU环境配置】就可以很快开始深度学习建模。如有GPU资源，可以选择【3.2 GPU环境配置】开始繁琐的安装配置及建模。 3.1 CPU环境配置安装相关的python依赖包，主要的如数据处理库pandas、机器学习库scikit-learn、深度学习库tensorflow、pytorch等等。简单安装几个必要的包，后面运行项目代码，有发现缺什么包再补什么。 可以点击prompt打开命令行安装， python安装依赖也很简单，比如pip install tensorflow 就可以安装好tensorflow神经网络库。 安装好相关的依赖包后，基本上就可以开始在CPU运算环境的深度学习、机器学习的代码开发了。 3.2 GPU环境配置在大数据量、大模型炼丹的场景下，深度学习会耗费大量的算力及时间，这时可以用GPU来加速神经网络模型训练（唠叨一句，购置gpu首选大显存的！）。 如果硬件配置有nvdia的GPU的话（使用 AMD 的 GPU 也可行但很麻烦，相关信息可参阅：https://rocmdocs.amd.com/en/latest/），接下来就可以开始GPU开发环境cuda的配置，这个流程稍微繁琐容易出错，请耐心配置。 安装cuda通过桌面鼠标右键进入nvdia的控制面板，看到显卡类型，可以看到我的游戏本有配了个独立显卡950M（算力仅仅为5，虽然这是GPU中的渣渣..但也比纯cpu香啊！）， 依据显卡算力我们可以知道对应支持的cuda版本号范围，像算力为5对应的cuda版本号就可以选择cuda-10.1 （好像也可以在nvdia控制面板的系统信息看到相关cuda的版本号） 相应的，我们到官网下载相应版本的cuda，https://developer.nvidia.com/cuda-toolkit-archive 然后，运行cuda安装包，我直接精简安装，一路确认就安装好了。win+R 输入cmd,进入命令行界面： 输入以下指令：nvcc -V 能够正常显示版本号，cuda就安装好了 # $ nvcc -V # nvcc: NVIDIA (R) Cuda compiler driver # Copyright (c) 2005-2019 NVIDIA Corporation # Built on Fri_Feb__8_19:08:26_Pacific_Standard_Time_2019 # Cuda compilation tools, release 10.1, V10.1.105 安装cudnn cuda安装完了还需要下载个cudnn（即 CUDA Deep Neural Network 软件库），这是一个 GPU 加速的深度神经网络基元库。不同版本的cuda 对应着不同的cudnn版本（我这边cuda10.1对应cudnn7.5的），详情可以从英伟达官网找到具体信息https://developer.nvidia.com/rdp/cudnn-archive ，下载cudnn还需要去英伟达官网注册。 cudnn解压以后将各个子文件夹拷贝到cuda安装目录下，到此，cuda整个环境就配置好了。 Pytorch最后，安装Python相关的（支持GPU）的深度学习库，本文建模用的是pytorch（tensorflow、keras等其他库也是可以的） 可以到官网下载相应的pytorch版本，https://pytorch.org/get-started/locally/ 官网会很友好地给出相应的所选的cuda版本对应的安装命令， 比如我这边cuda10.1对应的命令如下，在anaconda命令行输入就可以安装相关依赖包。 conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.1 -c pytorch 安装以后，可以检查GPU的可用性 ，通过调用torch.cuda.is_available()。如果结果为 True，则表明系统已正确安装Nvidia驱动。进入jupyter notebook运行： import torch torch.cuda.is_available() 四、 深度学习模型训练本节的示例是调用GPU或CPU版的pytorch搭建深度学习图像分类模型（CNN），并对比下性能差异。详细的深度学习建模过程可以参考之前文章 《一文搞定深度学习建模》 %%time import torch,torchvision import torch.nn as nn import torchvision.transforms as transforms ## 项目源码可以到https://github.com/aialgorithm/Blog #定义CNN神经网络模型 class CNNCifar(nn.Module): def __init__(self): super(CNNCifar,self).__init__() self.feature = nn.Sequential( nn.Conv2d(3,64,3,padding=2), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(2,2), nn.Conv2d(64,128,3,padding=2), nn.BatchNorm2d(128), nn.ReLU(), nn.MaxPool2d(2,2), nn.Conv2d(128,256,3,padding=1),nn.BatchNorm2d(256), nn.ReLU(), nn.MaxPool2d(2,2), nn.Conv2d(256,512,3,padding=1),nn.BatchNorm2d(512), nn.ReLU(), nn.MaxPool2d(2,2) ) self.classifier=nn.Sequential( nn.Flatten(), nn.Linear(2048, 4096),nn.ReLU(),nn.Dropout(0.5), nn.Linear(4096,4096), nn.ReLU(),nn.Dropout(0.5), nn.Linear(4096,100) ) def forward(self, x): x = self.feature(x) output = self.classifier(x) return output net = CNNCifar() print(net) #加载数据集 apply_transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) train_dataset = torchvision.datasets.CIFAR10(root='../data/cifar100', train=True, download=True,transform=apply_transform) test_dataset = torchvision.datasets.CIFAR10(root='../data/cifar100', train=False, download=True,transform=apply_transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, num_workers=2, pin_memory=True,shuffle=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, num_workers=2, pin_memory=True,shuffle=False) #定义损失函数和优化器 criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(net.parameters(), lr=0.001,weight_decay=5e-4) #获取设备：如果有gpu就使用gpu，否则使用cpu device = torch.device('cuda'if torch.cuda.is_available() else 'cpu') net = net.to(device) # 简单通过.to(device), 数据或模型就可以转移至GPU #训练模型 print('training on: ',device) def test(): net.eval() acc = 0.0 sum = 0.0 loss_sum = 0 for batch, (data, target) in enumerate(test_loader): data, target = data.to(device), target.to(device) output = net(data) loss = criterion(output, target) acc+=torch.sum(torch.argmax(output,dim=1)==target).item() sum+=len(target) loss_sum+=loss.item() print('test acc: %.2f%%, loss: %.4f'%(100*acc/sum, loss_sum/(batch+1))) def train(): net.train() acc = 0.0 sum = 0.0 loss_sum = 0 for batch, (data, target) in enumerate(train_loader): data, target = data.to(device), target.to(device) optimizer.zero_grad() output = net(data) loss = criterion(output, target) loss.backward() optimizer.step() acc +=torch.sum(torch.argmax(output,dim=1)==target).item() sum+=len(target) loss_sum+=loss.item() if batch%200==0: print('\tbatch: %d, loss: %.4f'%(batch, loss.item())) print('train acc: %.2f%%, loss: %.4f'%(100*acc/sum, loss_sum/(batch+1))) ## 开始训练模型 for epoch in range(5): print('epoch: %d'%epoch) train() test()可以通过device = torch.device('cuda'if torch.cuda.is_available() else 'cpu')分别修改相应的运算设备gpu或者cpu, 对比使用cpu、gpu资源占用的变化： 同一超参数下模型预测效果上面来看两者差不多，但运行时间CPU是GPU的5倍左右，GPU对深度学习训练的效率提升还是很明显的！ ################### training on: cpu epoch: 0 batch: 0, loss: 4.5887 batch: 200, loss: 1.5186 batch: 400, loss: 1.3614 batch: 600, loss: 1.2306 train acc: 42.96%, loss: 1.5834 test acc: 54.61%, loss: 1.2249 Wall time: 18min 27s ################### training on: cuda epoch: 0 batch: 0, loss: 4.6759 batch: 200, loss: 1.5816 batch: 400, loss: 1.6414 batch: 600, loss: 1.2504 train acc: 43.72%, loss: 1.5647 test acc: 53.02%, loss: 1.2784 Wall time: 3min 22s |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
| CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |