越来越多的的人入坑机器学习,深度学习,tensorflow 作为目前十分流行又强大的一个框架,自然会有越来越多的新人(我也刚入门)准备使用,一般装的都是 CPU 版的 tensorflow,然而使用 GPU 跑 tensorflow,速度可以快上好几倍。正好前段时间看到了使用小米pro(我目前使用的笔记本,感觉贼好用(我没有在推销))配置 gpu 的教程,就试了试,最后成功了。
环境
操作系统:Windows10
配置:Tensorflow 1.12 + CUDA 9.0 +cuDNN v7.1 for CUDA9.0
GPU:NVIDIA GeForce MX150(小米pro i7-8550 8G 256G)
软件:Anaconda(我之前写过安装教程)
注:发现 tensorflow 1.13 发布了,但其配置要求与1.12版本有所差别,若按照本博客配置1.13版本运行会报错(可能与cuda版本相关,据说1.13版本支持cuda10了,可以试试cuda10)。 2019/3/2
实际操作
一、安装CUDA、cuDNN
需要考虑版本配套问题,不然即使装了最后也会报错。这里给出 CUDA 和 cuDNN 的网盘连接,提取码:e1ak
关于版本适配问题也可以看我的这篇文章
CUDA
再给一波关于显卡是否对 CUDA 支持的查看网址,如果不确定自己的显卡是否支持 CUDA,可以去看看。
关于 CUDA 的安装,看这篇文章,写的很详细(好吧,还是我比较懒,不太想敲键盘)
cuDNN
官网下载地址
注意:下载的时候要下对应自己下载的CUDA的版本
把下载好的 cuDNN 的 zip 解压后,把 bin、include、lib 三个文件夹内的文件拷贝到 CUDA 9.0 的目录下的对应文件中即可。
CUDA 的默认路径
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\
然后开始配置环境变量
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
二、创建虚拟环境
这里还是比较建议新创建一个虚拟环境,免得安装好的 tensorflow-gpu 跟原环境中的某些包冲突。
1.打开Anaconda Prompt
2.创建虚拟环境
键入
conda create --name tensorflow-gpu python=3.6.1
3.启动虚拟环境
activate tensorflow-gpu
三、安装tensorflow-gpu
1.安装
两种方法
-
pip install --upgrade tensorflow-gpu
-
下载 tensorflow-gpu 的离线安装包,找到下载好的whl路径,然后键入
**
pip install c:...\tensorflow_gpu-xxxx.whl
2.测试
输入
python
然后再输入
import tensorflow as tf
如果没报错,就表示安装成功了。
然后,再来段 tensorflow 的 hello world
import tensorflow as tf
tf.enable_eager_execution()
a = tf.constant(1)
b = tf.constant(1)
c = tf.add(a, b)
print(c)
总结
至此,我们的 tensorflow-gpu 就装好了,接下来就开始 tensorflow 的学习之旅吧。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取==🆓