深度学习GPU环境配置及建模（Python）

对于深度学习开发者，操作系统的选择、到深度学习相关依赖包安装、环境配置上，这些步骤看似简单基础，但其实也经常有不少麻烦。本文简要梳理了从环境配置到深度学习建模的完整的流程，有所帮助的话，可以文末点个👍。

操作系统的选择

1 Linux

如果是深度学习的重度用户，首选的操作系统是Linux，虽然操作门槛高一些（如命令行操作），但Linux的开发环境很友好，可以减少很多依赖包不兼容的问题，可以大大提高效率。Linux的发行版很多，比较常用的的可以安装个包含图形界面及命令行的Ubuntu。

2  Windows

如果要兼顾生活及开发，就笔记本上面看看视频、写写博客、跑跑代码（像我平时就是Ctrl+C ，再跑跑代码的），Windows就够了，操作简单而且上面的各种依赖包也很齐全。（下文主要以Windows系统为例展开介绍，其他系统也是大同小异，有不清楚地方可以找相应教程）。

3  双系统的方案

如果既想要Linux做开发、Windows兼顾生活，可以借助安装双系统或者虚拟机，那么有几种选择：

3.1 安装双系统

硬件资源够的话，安装双个系统是比较直接的，能够比较纯粹地使用Windows或者Linux，但是切换比较麻烦，需要开关机来回切换。

3.2 虚拟机

通过在虚拟机（如vmware）上面再安装另一个操作系统，这样打开虚拟机就可以很方便使用另一个系统了，但是缺点是虚拟机的硬件资源消耗也很高，而且有性能问题及各种bug。按我之前的尝试，这里更推荐Linux作为主系统+虚拟机的Windows，能更好发挥出Linux开发的效能。

3.3 WSL

适用于 Linux 的 Windows 子系统 (WSL)是微软官方发布的应用，通俗来说它也就是Windows上面启用的Linux子系统。WSL安装非常简单，运行WSL的开销比运行一个虚拟机低很多，在WSL上面还可以配置cuda调用其GPU资源（但貌似配置复杂），用于日常学习是完全够用了。缺点是不如原Linux来得纯粹，用于高强度开发的话，性能会弱些，还容易卡各种bug。

WSL安装简单，在windows功能上打勾启用wsl功能后，

WIN+R运行cmd，一句命令行wsl --install就可以安装好ubuntu系统了，安装好后 WSL就可以使用Linux系统了（命令行cli版），

两个系统之间数据可以自由访问，如访问D盘数据只要 cd /mnt/d，双系统使用上是非常方便的。

可以参考WSL官方文档：https://learn.microsoft.com/zh-cn/windows/wsl/install

Python环境配置

搞定操作系统（比如Windows），接下来配置个Python环境。实现Python环境配置及依赖包管理最方便的就是安装个 Anaconda，官网下载https://www.anaconda.com/download，

如果网速慢，也可以到清华镜像上面快速下载一个https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

安装也很简单，一路确认就安装好了。这里可以勾选Add path 就可以配置好环境变量，也可以再勾选Anaconda作为默认Python版本，后面比较省心。

通过点击Jupyter Notebook就可以进入Python开发环境了，

如果平时以小项目、数据分析、调调模型为主，Jupyter Notebook作为开发工具是够的。如果平时任务以大型项目居多，还可以再安装个IDE编辑器如VScode、Pycharm。

安装相关的库

这里有两种方案，如果只有CPU资源用于开发，直接选择【3.1 CPU环境配置】就可以很快开始深度学习建模。

如有GPU资源，可以选择【3.2 GPU环境配置】开始繁琐的安装配置及建模。

3.1 CPU环境配置

安装相关的python依赖包，主要的如数据处理库Pandas、机器学习库Scikit-learn、深度学习库Tensorflow、Pytorch等等。简单安装几个必要的包，后面运行项目代码，发现缺什么包再补什么。

可以点击prompt打开命令行安装，

Python安装依赖也很简单，比如pip install tensorflow 就可以安装好Tensorflow神经网络库。

安装好相关的依赖包后，基本上就可以开始在CPU运算环境的深度学习、机器学习的代码开发了。

3.2 GPU环境配置

在大数据量、大模型炼丹的场景下，深度学习会耗费大量的算力及时间，这时可以用GPU来加速神经网络模型训练（唠叨一句，购置gpu首选大显存的！）。

如果硬件配置有nvdia的GPU的话（使用 AMD 的 GPU 也可行但很麻烦，相关信息可参阅：https://rocmdocs.amd.com/en/latest/），接下来就可以开始GPU开发环境cuda的配置，这个流程稍微繁琐容易出错，请耐心配置。

• 安装cuda

通过桌面鼠标右键进入nvdia的控制面板，看到显卡类型，可以看到我的游戏本有配了个独立显卡950M（算力仅仅为5，虽然这是GPU中的渣渣..但也比纯cpu香啊！），

依据显卡算力我们可以知道对应支持的cuda版本号范围，像算力为5对应的cuda版本号就可以选择cuda-10.1

（好像也可以在nvdia控制面板的系统信息看到相关cuda的版本号）

相应的，我们到官网下载相应版本的cuda，https://developer.nvidia.com/cuda-toolkit-archive

然后，运行cuda安装包，我直接精简安装，一路确认就安装好了。

win+R 输入cmd,进入命令行界面：

输入以下指令：nvcc -V 能够正常显示版本号，cuda就安装好了

# $ nvcc -V
# nvcc: NVIDIA (R) Cuda compiler driver
# Copyright (c) 2005-2019 NVIDIA Corporation
# Built on Fri_Feb__8_19:08:26_Pacific_Standard_Time_2019
# Cuda compilation tools, release 10.1, V10.1.105

• 安装cudnn

cuda安装完了还需要下载个cudnn（即 CUDA Deep Neural Network 软件库），这是一个 GPU 加速的深度神经网络基元库。不同版本的cuda 对应着不同的cudnn版本（我这边cuda10.1对应cudnn7.5的），详情可以从英伟达官网找到具体信息https://developer.nvidia.com/rdp/cudnn-archive ，下载cudnn还需要去英伟达官网注册。

cudnn解压以后将各个子文件夹

拷贝到cuda安装目录下，到此，cuda整个环境就配置好了。

• Pytorch

最后，安装Python相关的（支持GPU）的深度学习库，本文建模用的是pytorch（tensorflow、keras等其他库也是可以的）

可以到官网下载相应的pytorch版本，https://pytorch.org/get-started/locally/

官网会很友好地给出相应的所选的cuda版本对应的安装命令，

比如我这边cuda10.1对应的命令如下，在anaconda命令行输入就可以安装相关依赖包。

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.1 -c pytorch

安装以后，可以检查GPU的可用性 ，通过调用torch.cuda.is_available()。如果结果为 True，则表明系统已正确安装Nvidia驱动。进入jupyter notebook运行：import torch torch.cuda.is_available()

四、 深度学习模型训练

本节的示例是调用GPU或CPU版的pytorch搭建深度学习图像分类模型（CNN），并对比下性能差异。详细的深度学习建模过程可以参考之前文章 《一文搞定深度学习建模》

%%time
import torch,torchvision
import torch.nn as nn
import torchvision.transforms as transforms
## 项目源码可以到https://github.com/aialgorithm/Blog
## 算法进阶公众号阅读原文也可跳转到源码

#定义CNN神经网络模型
class CNNCifar(nn.Module):
def __init__(self):
        super(CNNCifar,self).__init__()
        self.feature = nn.Sequential(
            nn.Conv2d(3,64,3,padding=2),   nn.BatchNorm2d(64),  nn.ReLU(), nn.MaxPool2d(2,2),
            nn.Conv2d(64,128,3,padding=2), nn.BatchNorm2d(128), nn.ReLU(), nn.MaxPool2d(2,2),
            nn.Conv2d(128,256,3,padding=1),nn.BatchNorm2d(256), nn.ReLU(), nn.MaxPool2d(2,2),
            nn.Conv2d(256,512,3,padding=1),nn.BatchNorm2d(512), nn.ReLU(), nn.MaxPool2d(2,2)
        )
        self.classifier=nn.Sequential(
            nn.Flatten(),
            nn.Linear(2048, 4096),nn.ReLU(),nn.Dropout(0.5),
            nn.Linear(4096,4096), nn.ReLU(),nn.Dropout(0.5),
            nn.Linear(4096,100)
        )
def forward(self, x):
        x = self.feature(x)
        output = self.classifier(x)
return output
net = CNNCifar()
print(net)
#加载数据集
apply_transform = transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
    ])
train_dataset = torchvision.datasets.CIFAR10(root='../data/cifar100', train=True, download=True,transform=apply_transform)
test_dataset = torchvision.datasets.CIFAR10(root='../data/cifar100', train=False, download=True,transform=apply_transform)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, num_workers=2,
                          pin_memory=True,shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, num_workers=2,
                          pin_memory=True,shuffle=False)
#定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.001,weight_decay=5e-4)
#获取设备：如果有gpu就使用gpu，否则使用cpu
device = torch.device('cuda'if torch.cuda.is_available() else 'cpu')
net = net.to(device) # 简单通过.to(device), 数据或模型就可以转移至GPU
#训练模型
print('training on: ',device)
def test():
    net.eval()
    acc = 0.0
    sum = 0.0
    loss_sum = 0
for batch, (data, target) in enumerate(test_loader):
        data, target = data.to(device), target.to(device)
        output = net(data)
        loss = criterion(output, target)
        acc+=torch.sum(torch.argmax(output,dim=1)==target).item()
        sum+=len(target)
        loss_sum+=loss.item()
    print('test  acc: %.2f%%, loss: %.4f'%(100*acc/sum, loss_sum/(batch+1)))
def train():
    net.train()
    acc = 0.0
    sum = 0.0
    loss_sum = 0
for batch, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = net(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        acc +=torch.sum(torch.argmax(output,dim=1)==target).item()
        sum+=len(target)
        loss_sum+=loss.item()
if batch%200==0:
            print('\tbatch: %d, loss: %.4f'%(batch, loss.item()))
    print('train acc: %.2f%%, loss: %.4f'%(100*acc/sum, loss_sum/(batch+1)))
## 开始训练模型
for epoch in range(5):
    print('epoch: %d'%epoch)
    train()
    test()

可以通过device = torch.device('cuda'if torch.cuda.is_available() else 'cpu')分别修改相应的运算设备gpu或者cpu, 对比使用cpu、gpu资源占用的变化：

同一超参数下模型预测效果上面来看两者差不多，但运行时间CPU是GPU的5倍左右，GPU对深度学习训练的效率提升还是很明显的！

###################
training on:  cpu
epoch: 0
batch: 0, loss: 4.5887
batch: 200, loss: 1.5186
batch: 400, loss: 1.3614
batch: 600, loss: 1.2306
train acc: 42.96%, loss: 1.5834
test  acc: 54.61%, loss: 1.2249
# 耗时Wall time: 18min 27s
###################
training on:  cuda
epoch: 0
batch: 0, loss: 4.6759
batch: 200, loss: 1.5816
batch: 400, loss: 1.6414
batch: 600, loss: 1.2504
train acc: 43.72%, loss: 1.5647
test  acc: 53.02%, loss: 1.2784
# 耗时 Wall time: 3min 22s