前言:
这是这个专题的第一部分内容,包含GPU的部署,第二部分将介绍模型的训练的使用。
作为人工智能领域的外行,在我的研究中偶然需要用到轮廓提取,尝试过很多传统方法(如OpenCV),效果都不理想。最后,有幸查到这篇论文,并且花了几天时间,从GPU框架的搭建、成功训练自己的模型到最终的成功应用,在这个过程中总结了很多经验。
这篇文章不讲原理,只讲方法和流程!原理相关的问题请与原作者讨论。
参考文献:
参考论文
Z. Su et al., "Pixel Difference Networks for Efficient Edge Detection," 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada, 2021, pp. 5097-5107, doi: 10.1109/ICCV48922.2021.00507.
代码:
作者博文:
下面开始正文,在接下来的流程中,需要格外注意各个软件的版本,一定要下载相互对应的版本,此外还需要注意使用的平台是Windows还是Linux,安装方法是pip还是conda!本文中,使用Windows平台,采用pip安装。对了,还需要确认你有一块英伟达的显卡。
第一步:确定软件版本
首先确定好以下信息,显卡型号、显卡算力(Compute Capability)、CUDA版本、cuDNN版本、python版本、pytorch版本和torchvision版本。
参考以下链接:
显卡型号与算力:NVIDIA英伟达GPU显卡算力一览(包含Tesla和GeForce、TITAN及RTX系列等)-CSDN博客
算力与CUDA版本,cuDNN下载页面会显示相应CUDA版本,CUDA与Pytorch:
Support Matrix — NVIDIA cuDNN 9.0.0 documentation
显卡算力、驱动版本、CUDA、pytorch之间的关系_显卡驱动是不是cuda版本-CSDN博客
Pytorch与python:01 Pytorch和CUDA对应的版本及Pytorch和Python对应的版本及Python与Anaconda的对应关系_pytorch和cuda对应版本-CSDN博客
torchvision和Pytorch、Python:Torchvision与Pytorch匹配的版本安装方法 - 知乎
很多软件的适用版本不是具体某一个值,而是一个范围,因此这里建议做笔记记下来,根据自己的设备,确定好各个软件的版本范围,最后取他们的交集。
以我的为例,系统平台为win10-64位,显卡为Geforce GTX 1060 6G:算力6.1,CUDA-10.2,cuDNN-7.6.5,python-3.8.0,pytorch-torch-1.10.2,torchvision-0.11.3。即下面两张图展示的。
![](https://img-blog.csdnimg.cn/img_convert/3500febd323284a72a717fea6cd72462.png)
![](https://img-blog.csdnimg.cn/img_convert/1b0e10ffca5d4f7d5c75aa798c3a04a3.png)
第二步:软件下载和安装
版本确定好之后,进行软件和包的下载,下载时要注意系统是windows还是linux,下面均为Windows平台。此外,还需要确保C盘有大约20G空余空间。
0.Visual studio
显卡驱动和Visual studio(VS)提前安装好,注意不是Visual studio code,它是蓝色图标,VS是紫色图标。VS版本要比CUDA老一点(从发行年份上看),VS2019就可以,安装时选择工作负载,勾选使用C++的桌面开发和Visual Studio扩展开发:
链接:https://my.visualstudio.com/Downloads?q=visual%20studio%202019&wt.mc_id=o~msft~vscom~older-downloads
1.CUDA
CUDA即CUDA Toolkit工具包
官网(CUDA Toolkit Archive | NVIDIA Developer)比较慢,可以用国内网站,但国内网站有时候还打不开,看运气了:
https://developer.nvidia.cn/cuda-toolkit-archive
安装完成后一般会自动添加环境变量,请检查环境变量中是否存在下面这两个。
添加的系统环境变量如下图:
![](https://img-blog.csdnimg.cn/img_convert/ec577ef6b8d1cd7b0c8aad38f2a0c7fe.png)
随后测试是否安装成功,参考链接:保姆级的CUDA的下载安装使用,详细的环境变量配置,不仅仅让你能够安装,还会教你弄懂为什么要这样安装 - 知乎
2.cuDNN
即深度神经网络库,需要去官网,国内网站一直显示页面找不到,官网用注册后方可下载
官网:cuDNN Archive | NVIDIA Developer
国内网站:CUDA 深度神经网络库 (cuDNN) | NVIDIA 开发者
测试方法:win10下CUDA和CUDNN的安装(超详细)!亲测有效!_win10 cuda安装-CSDN博客
下载完成后解压,将解压的文件复制到CUDA的安装目录下。
![](https://img-blog.csdnimg.cn/img_convert/38b4f31f11556a9451d1549f23e6ebb9.png)
![](https://img-blog.csdnimg.cn/img_convert/887019a42861d317b2e0f2792ddc631d.png)
然后为cuDNN添加环境变量,添加进Path变量:
![](https://img-blog.csdnimg.cn/img_convert/ee8bbac8c764e230a9e8b2ae3463dd1a.png)
![](https://img-blog.csdnimg.cn/img_convert/6c2b7c42d1de1476ce1d9ce57522cc13.png)
3.Python
最好下载这种纯净版,官网下载https://www.python.org/downloads/
python安装完成后将其添加进环境变量,并更换国内源,方便后面运行。
添加环境变量
使用以下命令更换国内源:
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
4.pytorch和torchvision
在官网(PyTorch)选择版本,用命令行安装时网速很慢,安装总失败,因此改用国内源下载后手动安装,注意要选择GPU版本的torch。
先在国内镜像网站把文件下载下来:https://download.pytorch.org/whl/torch_stable.html
这个步骤包括pip安装和conda安装两种方法,推荐用pip安装,conda需要配置虚拟环境,在查资料、复制安装命令时也要注意是pip还是conda,两者截然不同,本文全部使用pip。
下载下面这两个文件,原文件名后半部分不是“abi3-win_amd64”,因为在安装时报错提示版本不匹配,修改文件名后安装即可。文件名中“cu102”表示CUDA版本10.2,“cp38”代表python版本3.8。
![](https://img-blog.csdnimg.cn/img_convert/9b0c7ab7dbfe52de96006d2cd67a167e.png)
安装方法,打开cmd命令行,cd到文件路径,用以下命令安装:
pip install torch-1.10.2+cu102-cp38-abi3-win_amd64.whl
pip install torchvision-0.11.3+cu102-cp38-abi3-win_amd64.whl
如果遇到pip没更新的情况,更新即可
![](https://img-blog.csdnimg.cn/img_convert/7628c8e672c2430ee0ed401136211f7c.png)
检查安装是否成功,打开cmd,输入“python”进入python环境,输入以下代码,结果为True则成功。要退出python环境时,键盘按“Ctrl +Z”。
import torch
torch.cuda.is_available()
![](https://img-blog.csdnimg.cn/img_convert/b27e8a4e3ed7f5f3e544e184df031061.png)
到这里,上述的5个软件或包均已安装完毕(如果加上Visual studio的话就是6个),这些安装步骤完成后,需要确保以下环境变量添加进Path变量:
![](https://img-blog.csdnimg.cn/img_convert/91b5cd5e50d17c8c372134771b5e6e23.png)
到这一步结束,前期的配置工作就算完成,你已经具备了做神经网络乃至人工智能相关内容的必备条件。后续的模型训练以及实际应用将在下一篇文章中详细介绍。
如果你觉得这篇文章还不错的话,欢迎点赞收藏转发!