神经网络做轮廓识别：第一部分-GPU部署

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.

论文链接：Pixel Difference Networks for Efficient Edge Detection | IEEE Conference Publication | IEEE Xplorehttps://ieeexplore.ieee.org/document/9710012

代码：

GitHub - hellozhuo/pidinet: Code for the ICCV 2021 paper "Pixel Difference Networks for Efficient Edge Detection" (Oral).Code for the ICCV 2021 paper "Pixel Difference Networks for Efficient Edge Detection" (Oral). - hellozhuo/pidinethttps://github.com/hellozhuo/pidinet

作者博文：

差分卷积在计算机视觉中的应用 - 知乎本文主要介绍由Oulu大学主导的几个 差分卷积（Difference Convolution）工作及其在图像、视频领域中的应用。 相关工作已被 TPAMI, TIP, CVPR'20, ICCV'21 (Oral), IJCAI'21 等顶级期刊会议接收，并斩…https://zhuanlan.zhihu.com/p/392986663

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。

CDUA、cuDNN、Python

torch与torchvision

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：

将CUDA添加进环境变量

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。

解压后复制

粘贴到CUDA的安装目录下

然后为cuDNN添加环境变量，添加进Path变量：

编辑Path变量

为cuDNN添加环境变量

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。

torch与torchvision

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 

更新pip

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()

测试torch是否安装成功

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：

确认环境变量是否添加完整

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！