DUnet深度学习实验记录

小宇宙的baby

已于 2024-03-22 12:13:42 修改

阅读量207

点赞数

文章标签：深度学习人工智能

于 2023-07-08 15:59:37 首次发布

本文链接：https://blog.csdn.net/weixin_38592812/article/details/129640286

版权

本文详细记录了DUnet深度学习实验的环境配置过程，包括关键环境配置、难点问题解决、anaconda环境配置以及GPU资源管理。在环境配置中，提到了mmdetection和mmengine的版本需求，以及在Windows和Linux上安装CUDA和PyTorch的步骤。在遇到问题时，作者建议使用debug工具理清代码逻辑，并提供了处理报错和管理GPU显存占用的技巧。此外，还分享了如何优化conda环境配置以加速包的下载。

摘要由CSDN通过智能技术生成

关键环境配置。

1.当前GitHub上mmdetection需要安装mmdet3.0.0
2.mmengine也需要单独下载并安装大于0.7.2
3.其他环境如果在windows上cuda需要单独安装，直接使用
conda install pytorch1.10.1 torchvision0.11.2 torchaudio0.10.1 cudatoolkit=11.3 -c pytorch -c conda-forge这一命令即可。
4.如果在linux上首先用pip安装下载好的torch,torchvision即可。
在训练时，一定要记得将训练好的模型给保存起来，之后在测试会用到。
5.可以安装其他版本的cuda，但需要依据有mmcv-full的类型来进行安装cuda.依据cuda的版本来决定torch,torchvision等版本。
6.遇到报错没有直接报出版本问题，检查逻辑后，没有问题，则需要检查版本是否匹配
7.如果没有执行到代码逻辑中的报错，一定是环境中的包存在冲突。
8.在安装包的过程中需要注意安装包的先后顺序，先保证某一关键模块正常运行，在维护这一模块的基础上确定其余包的版本.
9.如果没有按照好当前包所需的依赖包，当前包可能一直安装不成功。如：torchvision需要pillow包的安装。