window11系统配置深度学习pytorch

最新推荐文章于 2024-09-30 16:35:45 发布

遥感-GIS

最新推荐文章于 2024-09-30 16:35:45 发布

阅读量743

点赞数 27

文章标签：深度学习 pytorch 人工智能 arcgis 图像处理

本文链接：https://blog.csdn.net/qq_36904533/article/details/138684374

版权

本文记录如何在本地Window11 系统上配置深度学习GPU环境，整个操作过程很顺利。

1 查看系统适用的cuda版本

打开nvidia控制面板查看cuda最高可使用的版本
本文记录如何在本地Window11 系统上配置深度学习GPU环境，整个操作过程很顺利。
1 查看系统适用的cuda版本
打开nvidia控制面板查看cuda最高可使用的版本
在这里插入图片描述

或者也可以在终端输入nvidia-smi命令查看，如下所示(PS:本人GPU比较垃圾，只用于本地代码测试)

上述cuda 12.3版本是稍后能安装的cuda的最高版本，不超过它即可。

2 下载cuda

网站：
cuda

根据需要安装的深度学习框架，如pytorch，根据需要pytorch的具体版本下载对应版本的cuda安装，因为网络上很多代码是对应不同pytorch版本的，复现深度学习框架时最好也原论文里面的环境一致，同时也能避免因不同pytorch版本因为更新关系导致的api变更带来的麻烦。
pytorch版本选择(不同版本适用不同的cuda版本)：
pytorch
cuda版本选择：
在这里插入图片描述

3 下载cudnn

以下是为什么安装cuda后需要安装cudnn的原因：

安装CUDA（Compute Unified Device Architecture）之后，通常需要安装CUDA深度神经网络库（cuDNN）的原因是因为cuDNN是专门为深度学习优化的高性能库，它提供了CUDA上的卷积神经网络（CNN）和其他深度学习算法的加速。cuDNN通过利用GPU的并行处理能力，显著提高了深度学习模型的训练和推理速度。
以下是安装cuDNN的一些主要原因：

加速深度学习模型：cuDNN提供了优化后的CUDA内核，用于执行卷积、池化、激活函数等深度学习算法。这些内核可以显著提高模型训练和推理的速度，从而加快整个深度学习工作流程。
简化编程：cuDNN提供了一系列的高级API，这些API可以简化深度学习模型的实现，允许开发者专注于模型设计而不是底层细节。
提高性能：通过优化CUDA内核，cuDNN能够充分利用GPU的计算能力，从而提供比CPU实现更高的性能。
支持多种框架：cuDNN与多个流行的深度学习框架（如TensorFlow、PyTorch、Caffe等）兼容，使得开发人员能够轻松地将cuDNN的加速功能集成到他们的深度学习项目中。
更新与维护：NVIDIA定期更新cuDNN，以支持最新的深度学习模型和算法，并提供对最新GPU架构的支持。
因此，如果你计划在GPU上进行深度学习相关的计算，安装cuDNN是一个明智的选择，因为它可以显著提高性能并简化开发过程。

安装cudnn时，其官网一直打不开，其官网为：
cudnn
这里提供一个仓库，直接下载对应cuda版本的cudnn即可。
cudnn不同版本仓库

4 具体安装工作

4.1 cuda安装

下载cuda后：
双击安装，一路next直到：
这里：如果先前进行了cuda的安装，现在要重新安装的，需要将之前的版本卸载之后重新安装，重新安装时不再选择自定义安装，而是选择精简安装。
若之前还未进行过cuda的安装，现在的安装选择自定义:
在这里插入图片描述

不要选Visual Studio Integration，即使选了也不能成功安装。
添加图片注释，不超过 140 字（可选）

之后记录安装的位置，后续如果环境变量没有自动配置，需要根据此位置配置环境变量(一般都是自动安装配置好了)
在这里插入图片描述

验证cuda安装是否成功：键盘win+R键，输入cmd，并回车，打开CMD命令框。输入如下命令：

nvcc --version

正常输出即没问题；
在这里插入图片描述

4.2 cudnn安装

cudnn下载是个压缩包，解压将其中的文件复制到cuda下即可
默认位置：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3
注意这里的v11.3应该对应自己下载的具体版本型号。

4.3 深度学习框架安装

上述cuda的安装是任何一个需要gpu运算的深度学习框架都必须的，这里以pytorch为例安装pytorch，其他深度学习框架要对应cuda对应的深度学习框架版本。
查询cuda版本对应的pytorch，这里是cuda 11.3,pytorch1.11
pytorch

复制pip 安装即可，如果显示超时，需要科学上网。
验证Pytorch是否可调用gpu。

依次输入

import torch
torch.cuda.is_available()

总结

本文详细描述如何在window系统下配置pytorch深度学习环境，一般跑深度学习网络需要在服务器上，本地一般用于测试代码。
后续开始进行深度学习+遥感方面的专栏，主要涉及常见的云，水体，建筑物等地物的语义分割，以及船，飞机等的目标检测以及相应的变化检测等领域。
欢迎收藏，点赞，咨询，也欢迎讨论交流，一起打造好的遥感领域的知识分享专栏。
同时欢迎私信咨询讨论学习，咨询讨论的方向不限于：地物分类/语义分割(如水体，云，建筑物，耕地，冬小麦等各种地物类型的提取）,变化检测,夜光遥感数据处理，目标检测，图像处理(几何矫正，辐射矫正(大气校正)，图像去噪等)，遥感时空融合，定量遥感（土壤盐渍化/水质参数反演/气溶胶反演/森林参数(生物量，植被覆盖度，植被生产力等)/地表温度/地表反射率等反演）以及高光谱数据处理等领域以及深度学习，机器学习等技术算法讨论**，以及相关实验指导/论文指导等多方面。**
遥感专栏