深度学习开发环境

Ubuntu搭建深度学习开发环境(Pytorch Tensorflow GPU版本)

显卡驱动系列

深度学习主要涉及到显卡的使用(如开发时使用GPU版本库,就需要提前安装好显卡驱动方可使用),所以这里主要说明显卡驱动的安装。

  1. 显卡驱动(Driver) | 官网:显卡驱动下载
  2. CUDA(NVIDIA GPU的并行运算架构) | 官网:CUDA下载
  3. cuDNN(NVIDIA打造的针对深度神经网络的GPU加速库) | 官网:cuDNN下载

B站:显卡驱动安装简要过程

以下安装和配置过程建立在显卡驱动、CUDA、cuDNN的基础上。

Anaconda

Anaconda主要用作环境管理,包括Python环境和第三方库的安装。个人看来,在需要管理多个不同的工作环境和库版本兼容管理方面使用起来十分方便。(不过确实占用一定磁盘空间)

官网:Anaconda下载链接
下载.sh文件后,在终端中通过./Anaconda3-2022.05-Linux-x86_64.sh运行安装。

配置

安装后可以直接正常使用,以下配置是可选项(命令行、配置文件皆可)。

  1. 换国内源(中科大)

    conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
    conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
    conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
    conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
    conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
    conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
    conda config --set show_channel_urls yes
    
  2. 打开终端是否主动激活Anaconda环境。
    使用命令conda config --set auto_activate_base false,调整true或false。

  3. 查看源:

conda config --show channels

windows下修改源配置文件;windows换源

Pip

Pip是Python默认的库管理工具,可以直接通过pip install xxxx命令进行库安装。

配置

  1. 换国内源(中科大)
    pip config set global.index-url https://mirrors.cloud.tencent.com/pypi/simple/
    
    查看当前源
    pip config list
    
    其它源
    # 清华大学
    https://pypi.tuna.tsinghua.edu.cn/simple
    # 阿里云
    http://mirrors.aliyun.com/pypi/simple/
    # 腾讯云
    https://mirrors.cloud.tencent.com/pypi/simple/
    # 中国科技大学
    https://mirrors.cloud.tencent.com/pypi/simple/
    # 豆瓣
    https://pypi.doubanio.com/simple/
    # 浙江大学
    https://mirrors.zju.edu.cn/pypi/web/simple/
    

PyTorch

官网:PyTorch安装页面

在这里,我们安装pytorch18
深度学习开发环境_第1张图片

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

深度学习开发环境_第2张图片深度学习开发环境_第3张图片


通过代码查看Pytorch GPU版本(CUDA)是否可用。

import torch

# 返回当前设备索引
torch.cuda.current_device()

# 返回gpu数量
torch.cuda.device_count()

# 返回gpu名称,索引从0开始
torch.cuda.get_device_name(0)

# cuda是否可用
torch.cuda.is_available()

深度学习开发环境_第4张图片

Tensorflow

官网:Tensorflow安装页面

pip install tensorflow

官网:Tensorflow GPU支持页面


通过以下代码查看Tensorflow GPU是否可用

import tensorflow as tf
tf.config.list_physical_devices('GPU')

你可能感兴趣的:(深度学习,深度学习,人工智能)