通过网站的和报刊建设,php怎么做全网小视频网站,网站的设计费用,宣传册设计与制作软件一 深度学习主机
1.1 配置
先附上电脑配置图#xff0c;如下#xff1a; 利用公司的办公电脑对配置进行升级改造完成。除了显卡和电源#xff0c;其他硬件都是公司电脑原装。
1.2 显卡
有钱直接上 RTX4090#xff0c;也不能复用公司的电脑#xff0c;其他配置跟不上。…一 深度学习主机
1.1 配置
先附上电脑配置图如下 利用公司的办公电脑对配置进行升级改造完成。除了显卡和电源其他硬件都是公司电脑原装。
1.2 显卡
有钱直接上 RTX4090也不能复用公司的电脑其他配置跟不上。 进行深度学习除了看算力外还需要看显存大小最用在 RTX3060 12G显存和RTX 4060 16G显存 之间进行了选择。 最后买了RTX 4060 16G显存的显卡。 显卡大小显卡有1风扇、2风扇和3风扇之分风扇越多散热性能越好但是我的电脑是itx 小机箱最后买了个2风扇的显卡。
1.3 电源
原电源为310w, 更换成了650w的电源。 买显卡时都会写建议电源功率。
1.4 风扇
担心散热问题换了个好点的风扇。后来发现还不如不换太能折腾了。
至此深度学习入门主机硬件准备完毕。哈哈。
二 安装显卡驱动
官方客服给的启动安装方法
您好这个是N卡官网的驱动下载链接https://www.nvidia.cn/Download/Find.aspx?langcn
您选择好您的显卡版本选择对应的系统版本后点击搜索就可以了
主要玩游戏选择geforce game ready主要用来做设计选择studio驱动。
如何选择对应的显卡版本
★★★★★★★★★
这部分您要仔细看下的哦~
★★★★★★★★★
产品类型:
选择Geforce
产品系列
例如4060 4070 4080 4090就选择Geforce RTX 40 series
3050 3060 3070 3080 3090就选择Geforce RTX 30 series
2060 2070 2080 就选择Geforce RTX 20 series
1650 1660就选择 Geforce 16 series
1030 1050 1060 1070 1080就选择 Geforce 10 series
960 970 980就选择 Geforce 900 series
710 730就选择 Geforce 700 series
★★★★重点注意不要选择后缀带notebooks的那个是笔记本的驱动★★★★
产品家族
在这里选择您具体的显卡型号就可以了哈~
具体的显卡型号您可以通过您的商品订单或者是显卡包装盒上看到的哈~
操作系统
选择您当前电脑的系统即可
其他的选项默认即可
会出来很多驱动版本的选项任意选择一个对应类型的下载安装就可以的 深度学习选择studio驱动 可以同时安装两种驱动自由切换。 不安装此显卡驱动hdmi连接显卡后我的显示屏显示有问题 三 安装python Latest PyTorch requires Python 3.8 or later. 从 https://www.anaconda.com/download 下载对应的 Anaconda 版本安装即可。 打开 Anaconda 创建虚拟环境 torch2_gpu, 如下图所示
打开终端验证
四 安装 Visual Studio
安装 CUDA 之前需要先安装 Visual Studio, 否则会出现如下提示 从 https://visualstudio.microsoft.com/zh-hans/free-developer-offers/ 下载 Visual Studio Community. 在安装选项选择 使用C的桌面开发 即可。
五 CUDA 安装
5.1 CUDA 简介
官网地址https://developer.nvidia.com/cuda-toolkit CUDACompute Unified Device Architecture是由NVIDIA开发的并行计算平台和编程模型用于利用NVIDIA GPUGraphics Processing Unit进行通用目的计算GPGPU。它是一种为GPU编程提供高性能和易用性的软件环境。 CUDA的主要目标是将GPU作为计算加速设备用于执行并行计算任务特别是科学计算和深度学习等领域。它通过提供一套编程接口API和工具集使开发者能够利用GPU的大规模并行计算能力以加速计算密集型任务。 使用CUDA开发者可以使用编程语言如C/C、Python等来编写GPU加速的程序。CUDA提供了一系列库和工具如CUDA Runtime库、CUDA Tools如nvcc编译器和NVIDIA Nsight开发环境用于编译、调试和优化CUDA程序。 CUDA的优势在于其紧密结合了NVIDIA GPU的体系结构特点可对任务进行细粒度的并行处理并利用GPU上的数百到数千个核心同时执行计算任务。这使得CUDA成为目前广泛应用于科学计算、数值模拟、深度学习等领域的GPU编程平台。 值得注意的是对于使用CUDA进行开发的程序其执行的硬件需求需要是支持CUDA的NVIDIA GPU并且需要安装相应的CUDA驱动程序和运行时库。
5.2 查看 CUDA 版本
命令行查看 CUDA 版本 NAVIDIA 控制面板中查看 CUDA 版本
打开 NVIDIA Control Panel 点击 管理 3D 设置 -- 系统信息 查看 CUDA 版本为12.4 上述结果说明可以安装 CUDA 12.4 及以下的版本。 不要着急直接安装该版本的 CUDA因为还有需要安装配套的pytorch。 5.3 确定 CUDA 和 PyTorch 版本
从 PyTorch 官网 https://pytorch.org 确定对应关系如下图所示 我们选择安装最新版 PyTorch 2.2.2 以及对应的计算平台 CUDA 12.1。
5.4 CUDA 下载安装
进入 CUDA 官网根据上面确定的 CUDA 版本下载对应的版本。 点击下载的 exe 文件进行安装 选择安装目录 系统检查完毕点击同意 选择 自定义安装点击下一步 继续点击下一步 选择安装路径一般默认即可。 等待安装完成 点击下一步 点击关闭结束 查看环境变量已经自动配置 5.5 验证 CUDA 是否安装成功 六 cuDNN 安装
6.1 cuDNN 简介
官网地址https://developer.nvidia.com/cudnn
cuDNNCUDA Deep Neural Network是由NVIDIA开发的深度神经网络DNN加速库专门用于在CUDA平台上进行深度学习任务的加速。 cuDNN提供了高度优化的DNN深度神经网络基础操作和算法实现如卷积、池化、归一化、激活函数等以及自动求导和张量操作等。它利用了NVIDIA GPU的并行计算能力和高度可编程的架构提供了高性能的DNN计算和训练加速。 通过使用cuDNN深度学习框架如TensorFlow、PyTorch等可以利用其提供的GPU加速功能加快训练和推理的速度。cuDNN库实现了高效的卷积计算和其他操作优化了计算过程和内存使用以最大化GPU的利用率和性能。 cuDNN还提供了一些高级功能如自动调整算法的性能和内存使用、混合精度计算等以进一步提高深度学习任务的效率和性能。 一句话说明cuDNN是NVIDIA为深度学习开发者提供的一个重要工具它通过高度优化的DNN操作和算法实现使得深度学习框架能够更有效地利用CUDA和NVIDIA GPU的性能加速深度学习任务的执行。 它的主要特性如下
为各种常用卷积实现了 Tensor Core 加速包括 2D 卷积、3D 卷积、分组卷积、深度可分离卷积以及包含 NHWC 和 NCHW 输入及输出的扩张卷积为诸多计算机视觉和语音模型优化了内核包括 ResNet、ResNext、EfficientNet、EfficientDet、SSD、MaskRCNN、Unet、VNet、BERT、GPT-2、Tacotron2 和 WaveGlow支持 FP32、FP16、BF16 和 TF32 浮点格式以及 INT8 和 UINT8 整数格式4D 张量的任意维排序、跨步和子区域意味着可轻松集成到任意神经网络实现中能为各种 CNN 体系架构上的融合运算提速
注意在数据中心和移动 GPU 中采用 Ampere、Turing、Volta、Pascal、Maxwell 和 Kepler GPU 体系架构的 Windows 和 Linux 系统均支持 cuDNN。
6.2 cuDNN 下载安装
进入 cuDNN 官网选择对应的版本进行下载。 因此时没有win11的选项故选择 Tarball 进行下载。
将下载的压缩包解压 将解压后 bin 目录的内容全部放到 CUDA 对应的 bin 目录下。 将解压后 include 目录的内容全部放到 CUDA 对应的 include 目录下 将解压后 lib 目录下 x86 目录内容全部放到 CUDA 对应的 lib 目录下 x86 目录下 配置环境变量将 CUDA bin/include/lib下x86目录配置到环境变量中。 只需添加绿框中两个环境变量即可因为前两个在用 exe 文件安装 cuda 时已经自动添加了。
6.3 验证 cuDNN 是否安装成功
返回 GPU 型号则安装成功。
七 PyTorch 安装
7.1 安装
根据官网安装信息 使用如下命令进行安装
conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia如果使用 pip 进行安装命令如下
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121查看安装包如下图所示
7.2 验证 GPU 是否可用
torch.cuda.is_available() 为True则GPU可用False表示不可用。
import torch
print(torch.__version__)
print(torch.version.cuda)
# 输出为True则安装无误
print(torch.cuda.is_available()) 结果如下图所示
八 参考链接
https://blog.csdn.net/m0_63007797/article/details/132269612https://zhuanlan.zhihu.com/p/651151335
