Pytorch是目前最火的深度學(xué)習(xí)框架之一，另一個是TensorFlow绘闷。不過我之前一直用到是CPU版本器予，幾個月前買了一臺3070Ti的筆記本（是的，我在40系顯卡出來的時候狈谊，買了30系，這確實一言難盡）沟沙，同時我也有一臺M1芯片Macbook Pro河劝，目前也支持了pytorch的GPU加速，所以我就想著矛紫，在這兩個電腦上裝個Pytorch赎瞎，淺度學(xué)習(xí)深度學(xué)習(xí)。
Apple silicon
首先是M1芯片颊咬，這個就特別簡單了务甥。先裝一個conda牡辽，只不過是內(nèi)置mamba包管理器，添加conda-forge頻道敞临，arm64版本态辛。
# 下載
wget https://github.com/conda-forge/miniforge/releases/latest/download/Mambaforge-MacOSX-arm64.sh
# 安裝
bash Mambaforge-MacOSX-arm64.sh
然后我們用mamba創(chuàng)建一個環(huán)境，用的是開發(fā)版的pytorch挺尿，所以頻道指定pytorch-nightly
mamba create -n pytorch \
jupyterlab jupyterhub pytorch torchvision torchaudio
-c pytorch-nightly
最后奏黑，用conda activate pytorch,然后測試是否正確識別到GPU
import torch
torch.has_mps
# True
# 配置device
device = torch.device("mps")
參考資料: https://developer.apple.com/metal/pytorch/
Windows NVIDIA
首先，需要確保你的電腦安裝的是NVIDIA的顯卡票髓，以及有了相應(yīng)的CUDA驅(qū)動攀涵。
CUDA的顯卡架構(gòu)要求: https://docs.nvidia.com/deeplearning/cudnn/support-matrix/index.html
新一代的電腦上基本都自帶CUDA驅(qū)動∏⒐担可以通過打開NVIDIA控制面板的系統(tǒng)信息
在組件中查看你已經(jīng)安裝的CUDA驅(qū)動以故，例如我的是11.7.89 。
也可以通過命令行的方式查看裆操，
接下來怒详，我們來安裝pytorch。同樣也是推薦conda的方法踪区，我們先從清華鏡像源中下載Miniconda昆烁。
選擇Windows的安裝包
安裝完之后，我們就可以通過Anaconda Prompt進入命令行缎岗，根據(jù)pytorch網(wǎng)站上的推薦進行安裝静尼。
但是有一點不同，為了避免環(huán)境沖突传泊，最好是單獨創(chuàng)建一個環(huán)境鼠渺，所以代碼如下
conda create -n pytorch pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
接著用 conda activate pytorch啟動環(huán)境，然后在python環(huán)境中測試
import torch
torch.has_cuda
# True
幾個常見的問題（至少我在寫文章想到的問題）：
Q: 使用conda和pip安裝的區(qū)別是什么眷细？
A: conda是pytorch官方推薦的安裝方式拦盹，因為conda會一并幫你裝好pytorch運行所需要的CUDA驅(qū)動和相關(guān)工具集。這意味著為conda所占用的空間會更多一些溪椎。
Q: 可以在非常老的硬件上安裝最新的pytorch嗎普舆？
A: 我覺得這個跟裝游戲類似，你雖然能裝上游戲校读，但是不滿足游戲的最低配置需求沼侣，照樣跑不動。
Q: 電腦上必須要安裝CUDA驅(qū)動和安裝CUDA toolkit嗎歉秫？
A: 其實我個人不是很確定如何回答蛾洛，如下是我目前的一些見解。如果你用的conda端考，那么他會幫你解決一些依賴問題雅潭。如果你是用pip，那么就需要你自己動手配置却特。其中扶供，CUDA驅(qū)動是必須要安裝的，因為CUDA驅(qū)動負責(zé)將GPU硬件與計算機操作系統(tǒng)相連接裂明，不裝驅(qū)動椿浓，操作系統(tǒng)就不識別CUDA核心，相當(dāng)你沒裝NVIDIA顯卡闽晦。而CUDA toolkit是方便我們調(diào)用CUDA核心的各種開發(fā)工具集合扳碍，你裝CUDA toolkit的同時會配套安裝CUDA驅(qū)動。除非你要做底層開發(fā)仙蛉，或者你需要從源碼編譯一個pytorch笋敞，否則我們大可不裝CUDA toolkit。
Q: 如果我電腦上的CUDA驅(qū)動版本比較舊怎么辦荠瘪？或者說我CUDA的驅(qū)動版本是11.7夯巷，但是我安裝了cuda=11.8的pytorch，或者版本不一樣的pytorch會怎么樣哀墓？
A: 我們在安裝cuda=11.7的pytorch趁餐，本質(zhì)上安裝的是在CUDA Toolkit版本為11.7環(huán)境下編譯好的pytorch版本。當(dāng)cuda版本之間的差異不是特別的大篮绰，或者說不是破壞性的升級的情況下后雷，那么理論上也是能運行的。
手寫數(shù)據(jù)性能測試
下面用的是GPT3.5給我提供一段手寫字識別（MNIST)案例代碼吠各，用來測試不同的平臺的速度臀突。
import torch
import torchvision
import torchvision.transforms as transforms
# 轉(zhuǎn)換數(shù)據(jù)格式并且加載數(shù)據(jù)
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))])
trainset = torchvision.datasets.MNIST(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
shuffle=True, num_workers=2)
testset = torchvision.datasets.MNIST(root='./data', train=False,
download=False, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
shuffle=False, num_workers=2)
# 定義網(wǎng)絡(luò)模型
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = torch.nn.Conv2d(1, 6, 5)
self.pool = torch.nn.MaxPool2d(2, 2)
self.conv2 = torch.nn.Conv2d(6, 16, 5)
self.fc1 = torch.nn.Linear(16 * 4 * 4, 120)
self.fc2 = torch.nn.Linear(120, 84)
self.fc3 = torch.nn.Linear(84, 10)
def forward(self, x):
x = self.pool(torch.nn.functional.relu(self.conv1(x)))
x = self.pool(torch.nn.functional.relu(self.conv2(x)))
x = x.view(-1, 16 * 4 * 4)
x = torch.nn.functional.relu(self.fc1(x))
x = torch.nn.functional.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
# 這里的代碼比較隨意，就是用哪個平臺運行哪個
# CPU
device = torch.device("cpu")
# CUDA
device = torch.device("cuda:0")
# MPS
device = torch.device("mps")
net.to(device)
# 定義損失函數(shù)和優(yōu)化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
# 訓(xùn)練網(wǎng)絡(luò)
import time
start_time = time.time() # 記錄開始時間
for epoch in range(10): # 進行10次迭代訓(xùn)練
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data[0].to(device), data[1].to(device)
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 100 == 99:
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 100))
running_loss = 0.0
end_time = time.time() # 記錄結(jié)束時間
training_time = end_time - start_time # 計算訓(xùn)練時間
print('Training took %.2f seconds.' % training_time)
print('Finished Training')
# 測試網(wǎng)絡(luò)
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data[0].to(device), data[1].to(device)
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
))
最后統(tǒng)計下來的結(jié)果為
Windows平臺
- 3070Ti Training took 45.02 seconds.
- i9 12900H Training took CPU 75.65
Mac平臺
- M1 Max Training took 50.79 seconds.
- M1 MAX CPU Training took 109.61 seconds.
總體上來說走孽，GPU加速很明顯惧辈，無論是mac還是Windows。其次是GPU加速效果對比磕瓷，M1 max芯片比3070Ti差個10%盒齿？。
不過目前測試都是小數(shù)據(jù)集困食，等我學(xué)一段時間边翁，試試大數(shù)據(jù)集的效果。
