深度学习GPU环境配置及建模(Python)

一、操作系统的选择

1.1 Linux

如果是深度学习的重度用户，首选的操作系统是Linux，虽然操作门槛搞一些（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。

1.2、 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）。

1.3、 双系统的方案

如果即想要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：

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，但是最麻烦的点在于切换间比较麻烦，需要开关机地切换。

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、 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来的纯粹，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，

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

二、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。

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。

三、安装相关的库

这里有两种方案，如果只有CPU资源直接选择【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，有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。

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！），

# $ nvcc -V
# nvcc: NVIDIA (R) Cuda compiler driver
# 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。

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()
import torch.nn as nn
import torchvision.transforms as transforms
 ## 项目源码可以到https://github.com/aialgorithm/Blog
#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
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
Wall time: 3min 22s