深度学习环境准备

最主要的版本问题，参考了试验过的老哥的GitHub issue发言，如下：

那么得到的结论是，torch编译版本≤cuda runtime版本（你装的toolkit版本）≤cuda driver版本(nvidia-smi里看到的)。

CUDA、CUDNN版本问题

从上面额图可以得知，首先从cuda11.8开始，nvidia支持了40系桌面端显卡。而因为40系桌面端也是ada Lovelace架构，应该是通用的，可能会有一些小改动，但保证cuda driver比较新一般都没啥问题。所以cuda，cudnn列表如下：

cuda 11.8
cudnn 8.8.0.121 下载和cuda11.8配套的，网站上都有，在archive里

torch版本问题

torch 1.13.1 选择的是cuda11.7编译的
安装命令是

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

此处推荐下bfsu的conda源。

其他软件版本的安装命令

此处是为了你不激活离线如何安装，下面是列表。如果需要离线就提前下载：

 pip install numpypip install Pillow-9.4.0-cp39-cp39-win_amd64.whl idna-3.4-py3-none-any.whl urllib3-1.26.14-py2.py3-none-any.whl charset_normalizer-3.0.1-cp39-cp39-win_amd64.whl requests-2.28.2-py3-none-any.whlpip install "torch-1.13.1+cu117-cp39-cp39-win_amd64.whl" "torchvision-0.14.1+cu117-cp39-cp39-win_amd64.whl" "torchaudio-0.13.1+cu117-cp39-cp39-win_amd64.whl"pip install PyYAML-6.0-cp39-cp39-win_amd64.whl yacs-0.1.8-py3-none-any.whlpip install contourpy-1.0.7-cp39-cp39-win_amd64.whl cycler-0.11.0-py3-none-any.whl python_dateutil-2.8.2-py2.py3-none-any.whl packaging-23.0-py3-none-any.whl kiwisolver-1.4.4-cp39-cp39-win_amd64.whlpip install fonttools-4.38.0-py3-none-any.whl zipp-3.13.0-py3-none-any.whl pyparsing-3.0.9-py3-none-any.whl importlib_resources-5.10.2-py3-none-any.whlpip install matplotlib-3.7.0-cp39-cp39-win_amd64.whlpip install scipy-1.10.0-cp39-cp39-win_amd64.whlpip install imageio-2.25.1-py3-none-any.whl tifffile-2023.2.3-py3-none-any.whl PyWavelets-1.4.1-cp39-cp39-win_amd64.whl networkx-3.0-py3-none-any.whlpip install termcolor-2.2.0-py3-none-any.whlpip install scikit_image-0.19.3-cp39-cp39-win_amd64.whl

训练测试代码地址

参考了GitHub上的开源项目simple imagenet test我准备了ILSVRC2012测试集5w张图片。

关于Linux还是Windows的问题

Windows目前是默认开启Dynamic Boost的，在4080上相比在Linux里多了25W的功耗。Linux我搜索过好像也可以支持Dynamic Boost，但算是挖了个坑吧，之后有空弄弄。先稳定下生产力。

结果

上述代码在速度上的测试，为了排除硬盘读写的区别，我将所有脚本和图片都放在了100MB读写的硬盘上。从GPU功耗来看没有什么读写瓶颈。
RTX 4080 Laptop 耗时8min
RTX 1050ti Laptop旧笔记本耗时1h30min
速度提升巨大。

40系笔记本（可不联网激活）深度学习生产力（环境配置和简单训练测试）相关推荐

深度学习主机环境配置: Ubuntu16.04+GeForce GTX 1080+TensorFlow
http://f.dataguru.cn/thread-660774-1-1.html 发表于 2016-7-20 09:04 | 只看该作者 |倒序浏览 |阅读模式深度学习主机环境配置: Ubun ...
全网最详细的深度学习pytorch-gpu环境配置
学习深度学习第一步就是环境的配置,相信很多小伙伴已经被什么anaconda,tensorflow,Pytorch,cuda这些东西搞得晕头转向,今天带大家详细配置深度学习的环境,这一篇准要教书Pyto ...
深度学习hf-net环境配置
深度学习hf-net环境配置如下 1.Python 3.6,推荐用虚拟环境 2.TensorFlow 1.12 3.PyTorch 0.4.1 用于跑SuperPoint 1.安装pip sudo a ...
《动手学深度学习》环境配置成功经验
<动手学深度学习> 环境配置成功经验一.安装Anaconda3 二.安装CUDA 三.创建虚拟环境 1.创建新环境 2.激活环境 3.逐个下载emvironment.ym里的其他包 4. ...
Ubuntu16+Docker19.03+CUDA10+Tensorflow2.0+Pyorch 多用户深度学习服务器环境配置与使用指南
服务器只有一台,大家天天用sudo改环境最后炸了?可以采用Docker,在容器里面爱装啥装啥. 目录深度学习服务器环境配置安装Ubuntu Server 16.04.这一步骤网上教程很多,简略带过 ...
tesla p100 linux,Ubuntu16.04深度学习开发环境配置（TeslaP100+cuda9.0+tensorflow）
Ubuntu16.04深度学习开发环境配置(TeslaP100+cuda9.0+tensorflow) 1. 显卡驱动安装选择对应显卡型号的驱动下载 https://www.nvidia.com/D ...
Ubuntu18.04深度学习GPU环境配置
Ubuntu18.04深度学习GPU环境配置 Ubuntu 18.04.cuda 9.0.cuDnn v7.TensorFlow/Keras 与anaconda 1.背景为了加速神经网络的训练,使用 ...
Ubuntu18.04+CUDA10.2 深度学习开发环境配置指南
深度学习 Author:louwill Machine Learning Lab 搞深度学习环境永远是第一步.笔者之前也写过配置的两篇文章,但时间久远,目前来看版本已经过旧了.之前两篇参考: 深度学习 ...
深度学习硬件环境配置
学习了很长时间的理论,很想做一些真实的项目,个人笔记本配置太低,决定自己装配一台可以运行深度学习项目的高配置电脑.记录下过程.希望给第一次装机的同学一些指导,少走弯路,当然我也是第一次装机. 所有零配 ...

40系笔记本（可不联网激活）深度学习生产力（环境配置和简单训练测试）

40系笔记本深度学习、转码生产力（环境配置和简单训练测试）这里写自定义目录标题