配置你的AI学习框架，从sklearn谈到pytorch(1)

前言，最近几天小伞君在配置基于GPU驱动的深度/机器学习框架，深深体会到了英伟达硬件帝国的绝对统治力度，终于，凭借实验室的电脑，小伞君终于享受了一回有显卡的感觉，这里给大家总结一下整体的配置之路！

PS：实验室的电脑，为了不弄坏（重装），安装的每一步都相当小心，所以间接学了不少东西，马上就给大家分享欧！

\1. 从基本的pytorch配置说起......

什么？pytorch需要配置GPU吗？这不是安装下来就能用？

是这样的没错，现在PaddlePaddle也同样支持这样做了，理由是这两都自带了CUDA与CuDNN，只要本地有GPU，直接解决全部问题！

但是Tensorflow呢？

这年头有谁还用TF呀？

抛开这个不说，即便深度学习无需配置CUDA这些麻烦事，机器学习也一样要配置CUDA和一些其他的组件，以达到更快的加速效果。

小伞你雨淋多了？？？

机器学习用GPU？？？

没错，机器学习就是可以用GPU！！！

（不得不佩服Nivdia大爹的统治力，直接把隔壁AMD的ROCm（AMD的深度学习加速框架）给干碎了，AMD才刚刚能兼容TF呢，隔壁英伟达已经联动机器学习搞了一堆框架，这回彻底赣爆了AMD，奠定了英伟达在显卡加速领域的领主地位。）

（这年头谁用ROCm搞深度学习呀？）

英伟达的产品——Rapids，下属3个库：CUML，CUGRAPH，CUDF，从机器学习，图机器学习/深度学习，类pandas数据加载三个领域，直接降维打击，隔壁用CPU的跑一天，GPU加速可能几小时就把参数调好了。

因此，安装CUDA，CUDNN，以及Rapids，箭在弦上，不得不发！

\2. 但是CUDA，CUDNN不是pytorch帮你all OK了？

第一：pip安装的东西，各位一般不会