【复现代码——环境配置】

一、复现代码举例

我们在复现其他baseline的时候，要看代码的环境要求，例如：

# Environment Setup
Python 3.7.13
CUDA 11.1
Pytorch 1.10.1
torchvision 0.11.2

注： 以上的环境是必须要按照作者要求的安装，如果换其他的版本，就可能会出错。而其他依赖可以直接pip安装，无版本要求。

二、创建环境——选择一个Python版本

为了方便环境管理，我们是基于工程来创建这个工程的环境。

2.1 创建基本环境

2.1.1 基于AutoDL

• 先建一个基本环境：
  
• 进入终端、创建python：
  

conda create -n hra37 python=3.7.13

2.1.2 基于PyCharm

• 打开一个工程；
• 创建基本环境：File -> Settings -> Project -> Python Intepreter -> Conda Environment -> 点 **+ ** ->New environment -> 指定Python版本和修改环境名字
  
  安装时出现错误：
  

排查错误：

• 查看镜像源是清华还是中科大：

conda config --show channels

显示如下：（显示为中科大）

• 用终端创建环境，需要cd到anaconda3/bin下在安装：
  

conda create -p /home/wanghui/anaconda3/envs/HRA-UNET -y python=3.7.13

依然出现问题。发现是本身服务器的问题。然后，将服务器放在AutoDL的私有云上，重新配环境，成功。

2.2 终端激活环境

conda activate hra37

2.3 退出环境

conda deactivate

2.4 删除环境

conda remove -n hra37 --all  # hra37是我想删除的环境名

三、PyTorch安装

3.1 查看cuda

• 安装PyTorch必须找到对应的cuda，所以先查看自己的服务器CUDA。

  1. 终端输入命令：nvidia-smi
     

  2. 终端输入命令：nvcc --version
     

补充：

• nvidia-smi全程是NVIDIA System Management Interface ，它是一个基于前面介绍过的NVIDIA Management Library(NVML)构建的命令行实用工具，旨在帮助管理和监控NVIDIA GPU设备。
• nvcc和nvidia-smi显示的CUDA版本不同。CUDA有两个主要的API：runtime(运行时) API和driver API。这两个API都有对应的CUDA版本（如9.2和10.0等）。如果driver API和runtime API的CUDA版本不一致可能是因为你使用的是单独的GPU driver installer，而不是CUDA Toolkit installer里的GPU driver installer。 参考：显卡，显卡驱动,nvcc, cuda driver,cudatoolkit,cudnn详解

结论： 这个服务器的cuda 11.7，可向下兼容。

3.2 查看linux系统的版本号

uname -a

3.3 GPU配置解释

此时显卡状态为正在双卡运行程序。

• NVIDIA-SMI：显卡（硬件）。
• Driver Version：显卡驱动。
• CUDA Version： CUDA版本。这里是11.7。
• Name：这表示GPU的型号，这里是NVIDIA GeForce RTX 2080Ti。
• Fan：风扇的状态，通常表示风扇的速度或转动百分比。此时，两张卡分别显示为“95%”、“76%”，表示风扇正在以95%和76%的速度运行。
• Temp：这是GPU的温度，通常以摄氏度（C）为单位。例如，“84C”表示GPU的当前温度是84摄氏度。
• Perf：代表性能状态，通常指示GPU当前的性能状态等级。P0~P12，P0最大，P12最小。
• Pwr：Usage/Cap：这表示GPU的功率使用情况。例如，“20W /350W”表示GPU当前正在使用20瓦的功率，而其最大功率限制为350瓦。
• Bus-Id：这是GPU在系统总线上的标识符，用于唯一地识别该GPU。
• Memory-Usage： 表示GPU显存的使用情况。例如，“4222MiB /11264MiB”表示当前使用了4222MiB的显存，而总共可用显存为11264MiB。
• GPU-Util： 表示GPU的利用率，即GPU被工作负载使用的百分比。如果这个参数是在反复跳动，是因为没有设置好CPU的线程数。具体解决方法参考：关于GPU显存占满（即memory usage 很大），但GPU-util很小，导致模型训练很慢
• Compute M. & MIG M.：这些可能与GPU的计算模式和多实例GPU（MIG）相关。
• Default：这可能表示GPU的某些参数或设置处于默认状态。
• N/A：这表示“不适用”或“不可用”，可能因为某些信息在当前状态下不可用。

3.4 安装PyTorch

官网以前的版本，复制、终端运行

• Linux：torch==1.10.1

pip install torch==1.10.1+cu111 torchvision==0.11.2+cu111 torchaudio==0.10.1 -f https://download.pytorch.org/whl/cu111/torch_stable.html

• Linux：torch==1.9.1

pip install torch==1.9.1+cu111