【Mindspore】深度学习、MindSpore使用与杂七杂八

没有什么用的目录

1. Linux使用GPU
- 1.1 Win10使用Linux子系统
- 1.2 使用Docker for Windows
2. 深度学习环境配置
- 2.1 Anaconda
- 2.2 CUDA与cuDNN
- 2.3 pytorch
- 2.4 MindSpore
3. mindspore踩坑相关
- 3.1 metrics

1. Linux使用GPU

众所周知的，Mindspore的GPU版本只能在Linux系统上使用。并且VMWare虚拟机无法使用主机的GPU资源，除非显卡支持虚拟化。以下是两种解决方案：

1.1 Win10使用Linux子系统

参考：

Win10 系统安装 Linux 子系统教程

win10 子系统 ubuntu GPU驱动

win10中ubuntu子系统从系统盘迁移到其他盘

开启Linux子系统：

开启【开发者模式】；
【控制面板> 程序> 程序和功能】，开启【适用于 Linux 的 Windows 子系统】，重启；
在应用商店选择Ubuntu并下载，启动，设置用户名和密码；
powershell通过wsl -l -v查看分配给每个已安装的 Linux 分发版的 WSL 版本；
使用LxRunOffline将子系统从C盘迁移出来。

至此，Linux子系统开启完毕。使用GPU需要升级到WSL2：

【控制面板> 程序> 程序和功能】，开启【虚拟机平台】，重启；
下载并安装适用于 x64 计算机的 WSL Linux 内核更新包；
powershell’通过wsl --set-version Ubuntu 2设置WSL版本为2。

Windows端更新支持WSL的显卡驱动：

下载支持WSL的CUDA→CUDA on Windows Subsystem for Linux (WSL)，会替代原有的CUDA；
根据CUDA版本选择对应的cuDNN→cuDNN download。
Win和Linux执行nvidia-smi，结果一致即可。

1.2 使用Docker for Windows

开启WSL2同上，安装CUDA和cuDNN同上；安装Docker for Windows；
随便拉一个容器，使用-gpus all命令即可允许容器使用主机GPU；

容器内执行nvidia-smi，与主机结果一致即可；

docker pull ubuntu:18.04
docker run --gpus all -it ubuntu:18.04 /bin/bash

基础配置，ssh远程连接：
①配置密码；
②vim /etc/ssh/sshd_config→修改 PermitRootLogin yes→service ssh start重启服务；
③ipconfig查看本机ip地址；
④docker端口映射，远程使用IP:50001登陆即可
```
docker commit {Container ID} ubuntu-dl
docker run --gpus all -it -p 50001:22 ubuntu-dl /bin/bash
```

2. 深度学习环境配置

2.1 Anaconda

清华镜像库：选择想要的版本下载并安装，配置环境变量；

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2022.10-Linux-x86_64.sh
bash ./Anaconda3-2022.10-Linux-x86_64.sh
export PATH=$PATH:/root/anaconda3/bin

创建虚拟环境。

conda create -n mindspore-py37 python=3.7#解决CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'.
source ~/anaconda3/etc/profile.d/conda.sh
conda activate mindspore-py37

2.2 CUDA与cuDNN

安装CUDA11.1：

wget https://developer.download.nvidia.com/compute/cuda/11.1.1/local_installers/cuda_11.1.1_455.32.00_linux.run
sudo sh cuda_11.1.1_455.32.00_linux.run
echo -e "export PATH=/usr/local/cuda-11.1/bin:\$PATH" >> ~/.bashrc
echo -e "export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64:\$LD_LIBRARY_PATH" >> ~/.bashrc
source ~/.bashrc

安装cuDNN8.7，下载→cuDNN Download：

tar -xf ./cudnn-linux-x86_64-8.7.0.84_cuda11-archive.tar.xz
chmod 666 /usr/local/cuda/include
cd ./cudnn-linux-x86_64-8.7.0.84_cuda11-archive
cp ./include/cudnn*.h /usr/local/cuda/include
cp ./lib/libcudnn* /usr/local/cuda/lib64
chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

查看版本，测试安装是否成功：

(mindspore-py37) root:/# nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Mon_Oct_12_20:09:46_PDT_2020
Cuda compilation tools, release 11.1, V11.1.105
Build cuda_11.1.TC455_06.29190527_0
(mindspore-py37) root:/# cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
#define CUDNN_MAJOR 8
#define CUDNN_MINOR 7
#define CUDNN_PATCHLEVEL 0
--
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)/* cannot use constexpr here since this is a C-only file */

2.3 pytorch

在PyTorch官网寻找对应的版本，根据提供的命令安装即可。
我的环境是：CUDA=11.1，cuDNN=8.7.0，python=3.7；对应的pytorch版本为1.8。
注意：如果anaconda更换了清华源则不能使用conda安装，请使用pip。
具体原因可以参考torch.cuda.is_available()返回false——解决办法这篇博客，简单说就是清华源的问题。

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

测试：

>>> import torch
>>> torch.cuda.is_available()
True

2.4 MindSpore

参考MindSpore官网即可，安装gcc和1.9版本的MindSpore。

apt-get install gcc -y
export MS_VERSION=1.9.0
# CUDA11.1 + Python3.7
pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/${MS_VERSION}/MindSpore/gpu/x86_64/cuda-11.1/mindspore_gpu-${MS_VERSION/-/}-cp37-cp37m-linux_x86_64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple

测试：

>>> import mindspore
>>> mindspore.run_check()
MindSpore version:  1.9.0
The result of multiplication calculation is correct, MindSpore has been installed successfully!

3. mindspore踩坑相关

3.1 metrics

metrics (Union[dict, set]) - 用于模型评估的一组评价函数。例如：{‘accuracy’, ‘recall’}。默认值：None。
可以通过nn.names()获取所有评价函数列表，如下：

>>> import mindspore
>>> names = mindspore.nn.names()
>>> print(names)
['F1', 'acc', 'accuracy', 'auc', 'bleu_score', 'confusion_matrix', 'confusion_matrix_metric', 'cosine_similarity', 'dice', 'hausdorff_distance', 'loss', 'mae', 'mean_surface_distance', 'mse', 'occlusion_sensitivity', 'perplexity', 'precision', 'recall', 'roc', 'root_mean_square_distance', 'top_1_accuracy', 'top_5_accuracy', 'topk']