深度学习环境搭建【显卡算力、CUDA、pytorch、tensorflow选择】

总结：深度学习环境搭建【显卡算力、CUDA、pytorch、tensorflow选择】

• • 一、了解自己的显卡，确定其对应的算力
  • 二、根据算力、显卡驱动，选择cuda版本
  • 三、pytorch版本选择
  • 四、tensorflow版本选择

一、了解自己的显卡，确定其对应的算力

不同显卡对应的算力

二、根据算力、显卡驱动，选择cuda版本

显卡驱动与cuda版本对应关系

• 注意：
  • 如果没有安装显卡驱动，先安装显卡驱动，ubuntu安装显卡驱动
  • 如果已经安装过显卡驱动，根据显卡驱动与cuda版本对应关系，选择cuda。【建议：在显卡驱动支持的范围内，尽量选择高版本的cuda，因为cuda可以向下兼容】
    • cuda, cudnn下载和安装

三、pytorch版本选择

进入pytorch官网，选择需要的torch版本安装。

• 注意：
  • 在显卡支持的范围内，可以自由的选择cuda+torch进行安装，亲测训练目标检测模型可以使用gpu加速
  • 这里讲一下，为什么在显卡驱动支持的范围内，尽量选择高版本的cuda
    • 比如，在定向框检测的情况下，需要创建cuda的扩展(python setup.py develop)。这种情况下就需要考虑电脑上安装的cuda与conda环境中的cudatoolkit或pytorch版本问题
      • 如果电脑上安装的cuda版本高（比如：cuda11.7），conda环境中的cudatoolkit可以低于11.7版本，执行 python setup.py develop 时可以通过；
      • 如果电脑上安装的cuda版本低（比如：cuda10.0），conda环境中的cudatoolkit低于10.0时可以编译通过，高于10.0时则编译失败。

四、tensorflow版本选择

tensorflow与tensorflow-gpu的安装和使用似乎没有pytorch那么挑剔，在conda环境中安装对应的cudatoolkit, cudnn, tensorflow-gpu 即可，安装教程