Windows
1.在Windows的WSL2上安装Ubuntu
流程可参考:https://www.bilibili.com/video/BV1mX4y177dJ
注意:中间可能需要使用命令wsl --update
更新一下wsl。
2.WSL数据迁移
按照下面流程:开始菜单->设置->应用->安装的应用->搜索“ubuntu”->点选3个点->移动->移动到"非C盘的其他盘"
3.为WSL适配图形化界面
参考:https://www.bilibili.com/video/BV1mX4y177dJ
启动图形化界面的命令是sudo startxfce4
4.安装cuda
参考:https://zhuanlan.zhihu.com/p/683058297
nvidia-smi
命令的解释参考:https://blog.csdn.net/daydayup858/article/details/131633445
注意:一定要先查看nvidia-smi
命令中的显示的支持的cuda的最高版本,然后再去下载对应版本的cuda。
如果装错了cuda版本,可以参考这篇文章卸载已安装的cuda:https://blog.csdn.net/ziqibit/article/details/129935737
如果显示nvcc not found
,请参考:https://blog.csdn.net/Maggie_JK/article/details/132666245
5.安装cuDNN
参考:https://zhuanlan.zhihu.com/p/683058297
卸载cuDNN的方式是和卸载cuda类似的。
完成安装后可以使用参考链接的内容进行验证,cuDNN是否正确安装。
7.安装miniconda
参考:https://zhuanlan.zhihu.com/p/683058297
安装完conda之后,创建新的环境,并切换到新环境
8.安装pytorch
参考:https://zhuanlan.zhihu.com/p/683058297
9.安装vscode
去vscode官网安装vscode
vscode上安装wsl扩展包
之后参考https://zhuanlan.zhihu.com/p/683058297
https://learn.microsoft.com/zh-cn/windows/wsl/tutorials/wsl-vscode
9.代码测试
参考:https://www.bilibili.com/video/BV1B14y1W7z3
我的测试结果:
在Mac上只使用CPU
在Mac上使用GPU
10.其他
如何优雅的使用WSL:https://www.bilibili.com/video/BV1Ku4y1f7nq
Mac
Mac上安装anaconda3,pytorch,vscode
参考资料:https://www.bilibili.com/video/BV1gk4y1M76B
Mac上配置vscode和pycharm
参考视频:https://www.bilibili.com/video/BV1j14y1o7k7
如何修改
python console
对应的python默认环境。
一般默认环境是/usr/bin/python3
要修改默认环境,就需要修改这个project的环境
可以通过setting进入修改
如何继续修改pycharm中的python console的默认环境。
参考:PyCharm中如何设置切换Python Console终端的Python版本
“本地跑神经网络实验”以及“远程连接服务器”
本地跑神经网络实验
from __future__ import print_function
import argparse
import time
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, 1)
self.conv2 = nn.Conv2d(32, 64, 3, 1)
self.dropout1 = nn.Dropout(0.25)
self.dropout2 = nn.Dropout(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = self.conv1(x)
x = F.relu(x)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
x = self.fc1(x)
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1)
return output
def train(args, model, device, train_loader, optimizer, epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % args.log_interval == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
if args.dry_run:
break
def test(model, device, test_loader):
model.eval()
for batch_idx, (data, target) in enumerate(test_loader):
data, target = data.to(device), target.to(device)
output = model(data)
loss = F.nll_loss(output, target)
print('Test: [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
batch_idx * len(data), len(test_loader.dataset),
0.1 * batch_idx * len(data) / len(test_loader), loss.item()))
def main():
# Training settings
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=1, metavar='N',
help='number of epochs to train (default: 14)')
parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
help='learning rate (default: 1.0)')
parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
help='Learning rate step gamma (default: 0.7)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
parser.add_argument('--use_gpu', action='store_true', default=False,
help='enable MPS')
parser.add_argument('--dry-run', action='store_true', default=False,
help='quickly check a single pass')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='how many batches to wait before logging training status')
parser.add_argument('--save-model', action='store_true', default=False,
help='For Saving the current Model')
args = parser.parse_args()
use_gpu = args.use_gpu
torch.manual_seed(args.seed)
device = torch.device("mps" if args.use_gpu else "cpu")
train_kwargs = {'batch_size': args.batch_size}
test_kwargs = {'batch_size': args.test_batch_size}
if use_gpu:
cuda_kwargs = {'num_workers': 1,
'pin_memory': True,
'shuffle': True}
train_kwargs.update(cuda_kwargs)
test_kwargs.update(cuda_kwargs)
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
dataset1 = datasets.MNIST('./data', train=True, download=True,
transform=transform)
dataset2 = datasets.MNIST('./data', train=False,
transform=transform)
train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)
model = Net().to(device)
optimizer = optim.Adadelta(model.parameters(), lr=args.lr)
scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
for epoch in range(1, args.epochs + 1):
train(args, model, device, train_loader, optimizer, epoch)
test(model, device, test_loader)
scheduler.step()
if __name__ == '__main__':
t0 = time.time()
main()
t1 = time.time()
print('time_cost:', t1 - t0)
远程连接服务器
下载royal tsx
类似windows上的xshell和fstp
官网:https://royalapps.com/ts/mac/features
- file->new document
- 安装terminal和file transfer插件
- ssh连接
- 优点:可以浏览远程文件路径
- 缺点:无法做到本地与远程的代码同步,无法远程debug
在vscode上远程
- 配置ssh和sftp:详见视频
- 设置远程解释器
- 优点:能做到代码同步,还能远程debug
- 缺点:设置麻烦,无法浏览远程文件
Tmux工具
- Tmux可以防止实验中断
基本命令
# 创建tmux会话
tmux new -s test
# 退出会话
tmux detach
# 进入会话
tmux at -t name # at实际上是attach的简写
一定要进tmux会话里面再运行实验代码