深度学习中的GPU与CUDA

对应视频教程:https://www.bilibili.com/video/BV1S5411X7FY/

文章目录

    • 1. 显卡(GPU)与驱动
    • 2. 显卡与CUDA
    • 3. 如何查看自己的显卡

1. 显卡(GPU)与驱动

显卡,也称之为 GPU。GPU 的全称是 Graphics Processing Unit(图形处理单元)。它出现的目的一目了然,就是用来显示图像的。没错,就是用来在电脑显示器上显示图像的。

大家其实只要知道我们的电脑都有显卡这一点就行了。但我们在深度学习中说的显卡(GPU)一般特指是英伟达(NVIDIA)品牌的显卡,这个我们后面慢慢来说。

除了显卡这个概念之外,还有个概念是驱动。驱动,相信大家都不陌生。我们有的时候给电脑配备一些设备的时候,有可能需要安装对应的驱动,这些设备才能正常运行。

驱动,就是能够让计算机正确识别一些外设(设备)。

显卡,就是外部设备。所以,我们需要安装对应的驱动,这样计算机才能够正确识别对应的显卡,并充分利用显卡的能力。
深度学习中的GPU与CUDA_第1张图片
大家可以看到,上面这张图中,底部的显卡、鼠标、声卡之类的就是我们的外部设备,是个实打实的硬件,看得见摸得着的东西。中间的 Operating System 就是我们用的操作系统(Windows,Mac,Linux),可以理解为就是我们的电脑。在 Operating System 和 底部的硬件之间,有个 Device Driver,这个就是我们上面讲到的驱动。只有我们在电脑上安装对应的驱动,我们电脑才能正确识别这些实打实的硬件。

2. 显卡与CUDA

在深度学习中,我们常说的显卡,只是指英伟达(NVIDIA)品牌的显卡。其它品牌的显卡暂时还不行哦。

至于为什么呢?这都是因为英伟达(NVIDIA)以前的一个英明的决定。英伟达(NVIDIA)开发了一个开发平台,名叫CUDA。开发者/程序员可以使用这个CUDA开发平台来充分利用英伟达的显卡,可以利用这个CUDA平台,让一部分计算可以在GPU上进行。

后来,随着显卡的计算能力得到不到提升,很多程序尝试使用CUDA平台来进行计算。然后大家发现,哎呀,效果真不错。

在开发深度学习库(PyTorch, Tensorflow等)的时候,开发者如果想让深度学习运算放在GPU上运行,自然而然就想到了CUDA这个平台。所以,几乎所有的深度学习库都需要英伟达的显卡。

但随着一些神经网络芯片的出现,比如 Apple M系列芯片的出现,相信深度学习库会支持越来越多的能够加速神经网络运算的芯片。

深度学习中的GPU与CUDA_第2张图片

3. 如何查看自己的显卡

在Windows平台上,查看自己的显卡,其实并不难。大家只需要找到 任务管理器 或者 设备管理器,然后进行查看就行了。

对于 任务管理器,找到 性能 选项卡,然后点击其中的GPU,之后就会在旁边的右上角显示对应的显卡名称。

就像下面这张图,显示这台计算机上的GPU型号为NVIDIA GeForce GTX 1060,其中带有NVIDIA字眼,说明是英伟达品牌的显卡。那我们就可以安装GPU版本的PyTorch,GPU版本的PyTorch可以加速神经网络的训练和运算过程。

如果大家有英伟达(NVIDIA)品牌的显卡,大家在安装的时候,记得选择GPU版本的PyTorch,充分利用自己的显卡性能来进行深度学习的学习。

深度学习中的GPU与CUDA_第3张图片
如果看到性能选项卡中GPU型号没有NVIDIA字眼,就说明电脑上没有英伟达品牌的显卡,就像下面这张图一样。

深度学习中的GPU与CUDA_第4张图片
这张图中,GPU的型号为 Intel® UHD Graphics 750,所以不是英伟达品牌的显卡。那大家在后续安装PyTorch的时候,需要选择CPU版本的PyTorch。

CPU版本的PyTorch并不影响学习哦!!!

在设备管理器中的显示适配器中也可以看到自己电脑的显卡型号。

深度学习中的GPU与CUDA_第5张图片
如果大家确信自己的电脑有对应的显卡,但是在 任务管理器 和 设备管理器 中没有看到,说不定是因为没有安装驱动或者是没有安装正确。所以无法在 任务管理器 和 设备管理器 中看到。这个时候,就得去借助各种驱动软件。

就像下面这样,驱动软件中的主显卡中显示了NVIDIA显卡,但是在任务管理器中没有对应的显卡,这种情况可以利用驱动软件安装或者修复驱动就行了。但这种情况出现的概率还是很低的。

深度学习中的GPU与CUDA_第6张图片

你可能感兴趣的:(深度学习,python,人工智能,PyTorch,土堆教程)