tensorflow1.10和pytorch1.7.1主流off-policy算法时间消耗对比实验

最新推荐文章于 2023-11-07 00:05:12 发布
置顶 最新推荐文章于 2023-11-07 00:05:12 发布
阅读量475 收藏 1
点赞数 1
分类专栏： RL DRL 实验记录 文章标签： TensorFlow pytorch 时间消耗 GPU 强化学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hehedadaq/article/details/114648526
版权
DRL 同时被 3 个专栏收录
33 篇文章 14 订阅
订阅专栏
实验记录
15 篇文章 0 订阅
订阅专栏
RL
12 篇文章 1 订阅
订阅专栏

tensorflow1.10和pytorch1.7.1主流off-policy算法时间消耗对比实验

文章目录

前言：

最近很多人问到sac的时间为什么这么慢？
为什么我做ddpg的时候很快？
我是从tf1开始做，到现在开始整torch。

一定要在电脑上打开!

我用小数位数来表示值的大小，可以形成柱状图的效果！

影响时间消耗的主要因素

直观的感受，影响强化学习算法时间消耗，主要有下面几个因素：

  1. CPU的主频；
  2. 深度学习框架，tf1快于torch，至于tf2我没有测试过，没有发言权~
  3. 有没有用GPU！有时候pytorch的GPU调用不了，就只能CPU工作，速度会慢很多~
  4. CPU被占用的比率，如果同时跑了好几个程序，时间自然会变慢；
  5. pytorch版本，最新的高版本速度要快很多。
  6. 算法的复杂度，明显sac和td3这种两个critic网络的，自然要比ddpg这种单critic的要慢；
  7. 有没有用优先经验回放（PER），这个也会很大的降低速度。

待测试实验：

  1. 同一个算法以及同一个深度学习框架，CPU和GPU的时间消耗区别；
  2. 同样利用GPU，不同深度学习框架的区别；
  3. 同样利用CPU，不同深度学习框架的区别；
  4. 不同版本的pytorch，CPU的区别
  5. 不同算法的区别
  6. 不同CPU和GPU的区别！

基本测试环境

基本上就这么多，下面我贴一下我测试的环境信息：

1. 一号主机：CPU主频3.2GHz，4核

cpu cores : 4
model name : Intel® Core™ i5-6500 CPU @ 3.20GHz

2.二号主机：CPU主频2.20GHz，40核

cpu cores : 40
model name : Intel® Xeon® Silver 4210 CPU @ 2.20GHz × 40

3. 深度学习库版本：

1号主机：

tensorflow-gpu1.10 ；
pytorch1.7.1-cpu；
pytorch1.2.0-gpu-cpu.
其中pytorch1.7.1-GPU由于我的cuda驱动版本太低，无法支持，所以没法测试。

2号主机：

tensorflow-gpu1.40 ；
pytorch1.7.1-gpu；

3. gym环境-FetchPush-v1

4. 强化算法：Off-policy RL+HER

具体有SAC, TD3, DDPG三个主流的Off-policy算法；

5.训练流程：20epochs=20 * 50cycles=20 * 50 * 50steps

每个配置训练一个随机种子，每组实验，20个epochs，每个epochs50个cycles，每个cycles50steps，这个是gym-fetch系列任务的标准训练流程；

实验结果和分析

1. tf1-CPU和GPU的时间消耗区别；

默认为GPU，小数位数来表示值的大小，形成柱状图的效果。
可以看出来：

  1. 在tf1中，网络简单的情况下，CPU和GPU的运行时间，没有太大的区别。
  2. CPU只是稍微的要慢上一点，因此openai的团队经常说，这种小例程，不用GPU~
  3. 运行速度：ddpg>td3>sac，在CPU和GPU上都是这个关系；但是CPU-TD3的时间有点离谱。
----------------------------------------------------
| exp_name         | EpochTime                     |
----------------------------------------------------
| HER_DDPG         | 15.5143217330022              |
| HER_SAC_AUTO     | 18.371087785469598            |
| HER_SAC          | 18.5900878813823205           |
| HER_TD3          | 15.2241159357852              |
| CPU_HER_DDPG     | 21.9963255758646987204        |
| CPU_HER_SAC_AUTO | 23.801520339791391478457      |
| CPU_HER_SAC      | 24.3463643059630570064655     |
| CPU_HER_TD3      | 19.71410898228858599          |

2. torch-GPU和CPU的区别：

默认是GPU-pytorch1.2.0版本，CPU有1.71和1.2.0；
结果可以清晰的看到：

  1. torch的CPU的运行时间明显要比GPU长很多，这个现象比tf1的要明显；
  2. 高版本的torch,在CPU中运行速度更快，GPU没法测试；
------------------------------------------------------------------------------------------------------------------------
| exp_name                   | EpochTime                                                                               |
------------------------------------------------------------------------------------------------------------------------
| CPU_torch120_HER_DDPGTorch | 57.237169690294493307192169595509767532348632812500000000                               |
| CPU_torch120_HER_SACTorch  | 82.7758810982368657960250857286155223846435546875000000000000000000000000000000000      |
| CPU_torch120_HER_TD3Torch  | 72.287067418858157452632440254092216491699218750000000000000000000000000                |
| CPU_torch171_HER_DDPGTorch | 37.15821849335783610968064749613404274                                                  |
| CPU_torch171_HER_SACTorch  | 54.333070903649378635691391536965966224670410156250000                                  |
| CPU_torch171_HER_TD3Torch  | 48.6389267101949016591788677033036947250366210938                                       |
| HER_DDPGTorch              | 16.45956843656848                                                                       |
| HER_SACTorch               | 22.50593830983252274791                                                                 |
| HER_TD3Torch               | 19.76218916779679802                                                                    |

3. torch-tf1-GPU对比：

结果分析：
torch1.2.0的运行速度并不比tf1.14.0的慢上多少~
这个有可能是因为我的update的次数太少了，即大部分时间是用于环境交互，少部分用于更新网络；

-------------------------------------------------
| exp_name        | EpochTime                   |
-------------------------------------------------
| HER_DDPG        | 15.5143217330022            |
| HER_SAC_AUTO    | 18.371087785469598          |
| HER_SAC         | 18.5900878813823205         |
| HER_TD3         | 15.2241159357852            |
| HER_DDPGTorch   | 16.45956843656848           |
| HER_SACTorch    | 22.50593830983252274791     |
| HER_TD3Torch    | 19.76218916779679802        |

打印了计算梯度+梯度更新的时间，可以看出来，普遍来讲，还是tf1更快一些。
下面是单次更新时间*10000倍。

---------------------------------------------------------------------------------------------
| exp_name                   | update_time                                                  |
---------------------------------------------------------------------------------------------
| GPU_tf1_HER_DDPG           | 31.18902600000000191471372090746                             |
| GPU_tf1_HER_SAC_AUTO       | 44.914377000000001771695679053664207458496094                |
| GPU_tf1_HER_SAC            | 45.1578286000000090893991000484675168991088867               |
| GPU_tf1_HER_TD3            | 28.69846519999999401306922664                                |
| GPU_torch120_HER_DDPGTorch | 28.55126619999999348920027842                                |
| GPU_torch120_HER_SACTorch  | 55.2312286000000085550709627568721771240234375000000000      |
| GPU_torch120_HER_TD3Torch  | 43.08850280000000054769770940765738487243652                 |

PER / Without PER：

---------------------------------------------------------------------------------------------
| exp_name                       | EpochTime                                                |
---------------------------------------------------------------------------------------------
| HER_DDPG                       | 15.5232898801458                                         |
| HER_SAC_AUTO                   | 18.387668513653189                                       |
| HER_SAC                        | 18.6041103305503768                                      |
| HER_TD3                        | 15.224283310430                                          |
| GPU_tf1_HER_DDPG               | 15.9738348579407                                         |
| GPU_tf1_HER_DDPG_PER           | 31.40584538380304735483150579967                         |
| GPU_tf1_HER_SAC_AUTO           | 18.9588948599497478                                      |
| GPU_tf1_HER_SAC_AUTO_PER       | 33.8790638621648128037122660316527                       |
| GPU_tf1_HER_SAC                | 18.9937221026420602                                      |
| GPU_tf1_HER_SAC_PER            | 34.05487372636795129210440791212022                      |
| GPU_tf1_HER_TD3                | 15.5398781498273                                         |
| GPU_tf1_HER_TD3_PER            | 30.6231472516059923805187281687                          |
| GPU_torch120_HER_DDPGTorch     | 16.7084743475914                                         |
| GPU_torch120_HER_SACTorch      | 22.02115873972574888739                                  |
| GPU_torch120_HER_TD3Torch      | 19.93665778557459589                                     |
| HER_DDPGTorch                  | 16.46546708807171                                        |
| HER_SACTorch                   | 22.52556498200615209271                                  |
| HER_TD3Torch                   | 19.74400094596662925                                     |
| GPU_torch120_HER_DDPGTorch_PER | 45.8728787875175498811586294323205947875976562           |
| GPU_torch120_HER_SACTorch_PER  | 51.086336704095202776443329639732837677001953125000      |
| GPU_torch120_HER_TD3Torch_PER  | 48.2529249827067090450327668804675340652465820312        |

DDPG：PER/Without PER:
一倍以上的时间消耗

---------------------------------------------------------------------------------------
| exp_name                       | EpochTime                                          |
---------------------------------------------------------------------------------------
| HER_DDPG                       | 15.5232898801458                                   |
| GPU_tf1_HER_DDPG               | 15.9738348579407                                   |
| GPU_tf1_HER_DDPG_PER           | 31.40584538380304735483150579967                   |
| GPU_torch120_HER_DDPGTorch     | 16.7084743475914                                   |
| HER_DDPGTorch                  | 16.46546708807171                                  |
| GPU_torch120_HER_DDPGTorch_PER | 45.8728787875175498811586294323205947875976562     |

TD3：PER/Without PER:
也是一倍以上的时间消耗

-----------------------------------------------------------------------------------------
| exp_name                      | EpochTime                                             |
-----------------------------------------------------------------------------------------
| HER_TD3                       | 15.224283310430                                       |
| GPU_tf1_HER_TD3               | 15.5398781498273                                      |
| GPU_tf1_HER_TD3_PER           | 30.6231472516059923805187281687                       |
| GPU_torch120_HER_TD3Torch     | 19.93665778557459589                                  |
| HER_TD3Torch                  | 19.74400094596662925                                  |
| GPU_torch120_HER_TD3Torch_PER | 48.2529249827067090450327668804675340652465820312     |

SAC：PER/Without PER:
也是一倍以上的时间消耗

--------------------------------------------------------------------------------------------
| exp_name                      | EpochTime                                                |
--------------------------------------------------------------------------------------------
| HER_SAC_AUTO                  | 18.387668513653189                                       |
| HER_SAC                       | 18.6041103305503768                                      |
| GPU_tf1_HER_SAC_AUTO          | 18.9588948599497478                                      |
| GPU_tf1_HER_SAC_AUTO_PER      | 33.8790638621648128037122660316527                       |
| GPU_tf1_HER_SAC               | 18.9937221026420602                                      |
| GPU_tf1_HER_SAC_PER           | 34.05487372636795129210440791212022                      |
| GPU_torch120_HER_SACTorch     | 22.02115873972574888739                                  |
| HER_SACTorch                  | 22.52556498200615209271                                  |
| GPU_torch120_HER_SACTorch_PER | 51.086336704095202776443329639732837677001953125000      |

例程代码：

https://github.com/kaixindelele/DRLib/blob/main/spinup_utils/log2table.py

matplotlib柱状图实例，我不想画了~

在这里插入图片描述

不同主机的对比；

tf-gpu-1.10+的实验

CPU主频降低，明显变慢了

----------------------------------------------------
| exp_name                   | EpochTime                     |
----------------------------------------------------
| 1号主机:Intel(R) Core(TM) i5-6500 CPU @ 3.20GHz*4,tf-gpu1.10|
----------------------------------------------------
| HER_DDPG                   | 15.5143217330022              |
| HER_SAC_AUTO               | 18.371087785469598            |
| HER_SAC                    | 18.5900878813823205           |
| HER_TD3                    | 15.2241159357852              |
------------------------------------------------------------------------------
| 2号主机:Intel® Xeon(R) Silver 4210 CPU @ 2.20GHz × 40,tf-gpu1.14|
------------------------------------------------------------------------------
| GPU_torch171_HER_DDPG      | 26.81515236695607384831419                    |
| GPU_torch171_HER_SAC_AUTO  | 34.50629531145095540978218195959926           |
| GPU_torch171_HER_SAC       | 34.74729975779850832395823090337217           |
| GPU_torch171_HER_TD3       | 27.0159078733126314375567745                  |

torch-gpu-1.2.0和1.7.1的实验

仍然是变慢了~

------------------------------------------------------------------------------------------------------------------------
| exp_name                   | EpochTime                                                                               |
------------------------------------------------------------------------------------------------------------------------
| 1号主机:Intel(R) Core(TM) i5-6500 CPU @ 3.20GHz*4,torch-gpu1.2.0|
------------------------------------------------------------------------------------------------------------------------
| HER_DDPGTorch              | 16.45956843656848                                                                       |
| HER_SACTorch               | 22.50593830983252274791                                                                 |
| HER_TD3Torch               | 19.76218916779679802                                                                    |
------------------------------------------------------------------------------
| 2号主机:Intel® Xeon(R) Silver 4210 CPU @ 2.20GHz × 40,torch-gpu1.7.1|
------------------------------------------------------------------------------
| GPU_torch171_HER_DDPGTorch | 27.6523704147338875714012829                  |
| GPU_torch171_HER_SACTorch  | 40.83349797089895361068556667305529117584     |
| GPU_torch171_HER_TD3Torch  | 34.21693461577098105408367700874805           |

多update-batch-num：

-------------------------------------------------------------------
| exp_name                   | EpochTime                                                                                                                                                                                             |
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
| GPU_torch171_HER_DDPGTorch | 107.2245751865704903593723429366946220397949218750000000000000000000000000000000000000000000000000000000000                                                                                           |
| GPU_torch171_HER_DDPG      | 93.569286963939660495270800311118364334106445312500000000000000000000000000000000000000000000                                                                                                         |
| GPU_torch171_HER_SACTorch  | 192.52284722646078307661809958517551422119140625000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000      |
| GPU_torch171_HER_SAC_AUTO  | 135.85642301638921480844146572053432464599609375000000000000000000000000000000000000000000000000000000000000000000000000000000000000000                                                               |
| GPU_torch171_HER_SAC       | 141.36592839479448002748540602624416351318359375000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000                                                         |
| GPU_torch171_HER_TD3Torch  | 138.64685299873352164468087721616029739379882812500000000000000000000000000000000000000000000000000000000000000000000000000000000000000000                                                            |
| GPU_torch171_HER_TD3       | 92.13068222522734629365004366263747215270996093750000000000000000000000000000000000000000000                                                                                                          |

根据这两个表，列一个简单的小学方程式：

DDDPTotalTime_tf1=CollectTime_tf1+UpdateTime_tf1*Num_batch
根据表格信息：
|GPU_HER_DDPG_TF1-250Batch	|93.56928        	|DDDPTotalTime_tf1
|GPU_HER_DDPG_TF1-40Batch 	|26.81515		    |DDDPTotalTime_tf1
带入进去，两个等式，两个未知数，轻松解得
UpdateTime_tf1=0.3178768，CollectTime_tf1=14.1

再根据表格：
|GPU_HER_DDPGTorch-250Batch	|107.22457518657	|DDDPTotalTime_torch
|GPU_HER_DDPGTorch-40Batch	|27.652370414733	|DDDPTotalTime_torch

带入进去，两个等式，两个未知数，轻松解得
UpdateTime_torch=0.37891526，CollectTime_torch=12.495759982

可见，虽然整体时间差不多，但是torch的速度还是比tf1要稍微差那么一点的；

大概在更新部分（仍然有CPU计算部分），tf1比torch的速度快1.2倍

总结：

之前测试过torch-gpu要比tf1-gpu要慢很多；
有两个原因：
一个是那次的torch版本是0.4；
一个是那个的更新频次要高很多~；
以后看来还是老老实实用torch算了~。
先放这儿，明天继续更新~

联系方式：

ps: 欢迎做强化的同学加群一起学习：

深度强化学习-DRL：799378128

欢迎关注知乎帐号：未入门的炼丹学徒

CSDN帐号：https://blog.csdn.net/hehedadaq

极简spinup+HER+PER代码实现：https://github.com/kaixindelele/DRLib

hehedadaq
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
torch-1.10.2-cp36-cp36m-manylinux1_x86_64.whl
05-09
torch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch
机械臂强化学习实战（stable baselines3+panda-gym）
qq_47997583的博客
05-29 5821
panda-gym和stable-baselines3算法库结合训练panda机械臂的reach任务。
Pytorch1.10安装记录（CUDA11.3）
热门推荐
霹雳吧啦Wz
10-25 6万+
Pytorch刚更新到1.10，今天就简单尝个鲜，之前在使用1.9中有很多的UserWarning，在新版本中都已经修复了（强迫者的福音），推荐使用。关于Pytorch1.10更新的内容，请登录Pytorch官网查看。 PyTorch官网：https://pytorch.org/ 文章目录查询NVIDIA GPU算力（可跳过）创建虚拟环境在线安装（CPU/GPU）安装CPU版本安装GPU版本检查GPU驱动版本更新GPU驱动安装Pytorch离线安装（CPU/GPU）安装CPU版本安装GPU版本 查询NVI
torch1.10.0 + cuda11.1 + vs2017 混编
VV_ZHANG_2019的博客
11-30 2516
尽管目前的PyTorch可以直接使用GPU进行加速，但是一些特殊的自定义算法可能依然无法直接使用GPU加速，或者PyTorch对该操作的实现还不够高效。使用C++扩展和CUDA扩展可改善上述状况，在Pytorch中可调用扩展的算子测试其正确性和性能，本文仅介绍如何配置混编的环境。提示：以下是本篇文章正文内容，下面案例可供参考此方法可以避开繁琐的VS2017界面也可以完成.cu文件和.cpp文件的混编。
配置环境的一些坑
孟孟单单的博客
04-24 3958
目录1. 我的电脑配置2. 已安装的环境参数2.1 PyTorch2.2 yolov5（基于PyTorch的）2.3 tensorflow（不会常用了）3. 参考的安装教程4. 一些命令 写在前面： 虽然很大可能不会有人看，但是还是想说明一下，这篇博客只是我本人对一些环境配置参数的记录，不会有太大的参考价值，请见谅~ 1. 我的电脑配置 Lenovo / 联想拯救者 R7000 R7-5800H / RTX 3050-4G / 512G 固态硬盘SSD / 16G 内存容量 中关村在线-详情介绍：联想拯救
【资源分享】常用conda虚拟环境远古版本torch分享torch1.10+cu113,因为这个版本从pytorch官方网站pip命令和conda命令都报错ERROR: Could not find
最新发布
BetrayFree的博客
11-07 125
本帖用于解决远虚拟环境远古版本的问题，因为比较远古的环境包已经没办法通过pip install 命令安装成功了，当然不乏有一些尽管pip安装不成功，但是如果换一个conda install 的话就可以了，这是因为二者都是包管理工具嘛，二者区别请看我之前的一篇高赞博客。那这种情况就需要我们根据具体的博客需要进行逐个操作了，首先就是安装torch这一步，比较常用的就是torch1.10+cu113，具体安装应该不用教了，网上一搜一大把，只来分享资源，因为官网下载比较慢。pwd=4df2 提取码: 4df2。
GTX950M+Cuda10.1+TensorFlow2.1.0+Pytorch1.7.1-附件资源
03-05
GTX950M+Cuda10.1+TensorFlow2.1.0+Pytorch1.7.1-附件资源
pytorch的安装（CUDA10.2+cuDNN8.3.3+torch1.10+​torchvision​0.11.1+python3.9）
Yao_Wan的博客
01-13 1万+
一、先根据电脑硬件的条件获取本身CUDA版本，据此以及表格比较得出cuDNN、torch、torchvision、python版本。 二、在NVIDIA官网下载CUDA和cuDNN，获取torch的下载链接，网页提供python3.9的下载链接 三、安装CUDA后，把cuDNN这个补丁装到CUDA里边，因为CUDA toolkit是CUDA的工具包，cuDNN是CUDA的加速器补丁；用环境为python3.9的pycharm执行官网的pip命令操作完成torch和torchvision的下载
【Ubuntu20.04 CUDA11.1+Torch1.10+Anaconda 保姆级安装教程】
weixin_43262335的博客
09-02 2611
Ubuntu20.04下配置深度学习环境，详细讲解CUDA11.1、Torch1.10、Anaconda的安装过程
MaskRCNN ,Pytorch1.10 , Windows10环境搭建，填了许多坑，希望能帮到大家
qq_44857215的博客
09-10 463
【解决办法1】：找到报错的.cpp、.cu、.h文件，搜索并替换 “AT_CHECK”修改为“TORCH_CHECK”说明：本人之前按照源码中给的安装步骤安装，但是奈何pytorch1.0在线安装不了，只得安装高版本。重新执行指令 python webcam.py --min-image-size 800 ，大功告成！我安装的是11.4 ，这个部分我就省略了，如果需要安装虚拟环境自行安装Anaconda.【解决办法2】：此处直接将“if torch._six.PY3” 改为 “if 1:”
torch-1.5~1.10-cp36-cp36m-linux_aarch64.whl及其torchvision对应版本
06-30
内含下载文件 torch-1.7.0-cp36-cp36m-linux_aarch64.whl ——vision-0.8.0 torch-1.6.0-cp36-cp36m-linux_aarch64.whl ——vision-0.7.0 torch-1.5.0-cp36-cp36m-linux_aarch64.whl、torch-1.8.0-cp36-cp36m-linux_aarch64.whl、torch-1.10.1-cp36-cp36m-manylinux2014_aarch64.whl
pytorch-1.1.0-cudo10.0+torchvision--pip安装.rar
06-27
内涵文件torch-1.1.0-cp36-cp36m-win_amd64.whl和torchvision-0.3.0-cp36-cp36m-win_amd64.whl
torch-1.10.0-cp36-cp36m-linux_aarch64.zip
12-13
torch-1.10.0-cp36-cp36m-linux_aarch64.zip
安装pytorch1.10.0/cu111时报错：no matching distribution found for torchvision==0.11.0+cu111
weixin_39450145的博客
08-20 1万+
2.报错：安装时报错，找不到对应的torchvision版本。4.解决：3）所以，这就相当于是安装 torch1.9.1/cu111 + torchvision0.10.1/cu111 （pytorch1.9.1/cu111），torch和torchvision版本匹配、且都有win下的安装包，这次肯定不会报错了，完美！网址里，可以看到cu111下的torch、torchvision的目前可以用的所有版本。这个版本是没有win环境下的安装包的，全都是linux环境下的安装包。
cuda10.0 可以正常安装运行pytorch1.7.1
sinat_20277079的博客
04-21 5626
环境： ubuntu 18.04 conda 4.5.11 gcc 7.5.0 cuda10.0 正常情况下cuda10.0对应的最高pytorch版本为1.4.0 查看，但在cuda10.0的情况下也可以安装高版本的pytorch，并成功运行如下： 安装命令，PyToch和Torchvision版本需要对应，参考： pip install torch==1.7.1 torchvision==0.8.2 -f https://download.pytorch.org/whl/torch_stable.
服务器配环境（torch1.10）
m0_52798145的博客
10-26 26
用清华的镜像会快一些，后面不要加官网-i的网址。
CUDA版本以及GPU驱动的对应关系
weixin_46587777的博客
06-02 2259
cuda 对应DPU
cuda10.2 安装torch1.10版本
weixin_54275159的博客
12-07 780
cuda10.2 安装torch1.10版本
pytorch错误记录：TypeError: Cannot handle this data type: (1, 1, 64), |u1
qq_20373723的博客
10-21 1640
pytorch错误记录
TensorFlow v2.3和PyTorch v1.7.1应该安装什么版本的stable-baselines3
05-12
使用PyTorch 1.7.1： ``` pip install stable-baselines3[extra] ``` 使用TensorFlow 2.3： ``` pip install stable-baselines3[extra]==0.11.0 ``` 请注意，stable-baselines3的最新版本可能需要更新的依赖项，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

hehedadaq

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值