Pytorch是目前最火的深度學習框架之一，另一個是TensorFlow。不過我之前一直用到是CPU版本，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，買了30系，這確實一言難盡），同時我也有一臺M1芯片Macbook Pro，目前也支持了pytorch的GPU加速，所以我就想著，在這兩個電腦上裝個Pytorch，淺度學習深度學習。
Apple silicon
首先是M1芯片，這個就特別簡單了。先裝一個conda，只不過是內置mamba包管理器，添加conda-forge頻道，arm64版本。
# 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創建一個環境，用的是開發版的pytorch，所以頻道指定pytorch-nightly
mamba create -n pytorch \
jupyterlab jupyterhub pytorch torchvision torchaudio
-c pytorch-nightly
最后，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，以及有了相應的CUDA驅動。
CUDA的顯卡架構要求: https://docs.nvidia.com/deeplearning/cudnn/support-matrix/index.html
新一代的電腦上基本都自帶CUDA驅動。可以通過打開NVIDIA控制面板的系統信息
在組件中查看你已經安裝的CUDA驅動，例如我的是11.7.89 。
也可以通過命令行的方式查看，
接下來，我們來安裝pytorch。同樣也是推薦conda的方法，我們先從清華鏡像源中下載Miniconda。
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，根據pytorch網站上的推薦進行安裝。
但是有一點不同，為了避免環境沖突，最好是單獨創建一個環境，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啟動環境，然后在python環境中測試
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安裝的區別是什么？
A: conda是pytorch官方推薦的安裝方式，因為conda會一并幫你裝好pytorch運行所需要的CUDA驅動和相關工具集。這意味著為conda所占用的空間會更多一些。
Q: 可以在非常老的硬件上安裝最新的pytorch嗎？
A: 我覺得這個跟裝游戲類似，你雖然能裝上游戲，但是不滿足游戲的最低配置需求，照樣跑不動。
Q: 電腦上必須要安裝CUDA驅動和安裝CUDA toolkit嗎？
A: 其實我個人不是很確定如何回答，如下是我目前的一些見解。如果你用的conda，那么他會幫你解決一些依賴問題。如果你是用pip，那么就需要你自己動手配置。其中，CUDA驅動是必須要安裝的，因為CUDA驅動負責將GPU硬件與計算機操作系統相連接，不裝驅動，操作系統就不識別CUDA核心，相當你沒裝NVIDIA顯卡。而CUDA toolkit是方便我們調用CUDA核心的各種開發工具集合，你裝CUDA toolkit的同時會配套安裝CUDA驅動。除非你要做底層開發，或者你需要從源碼編譯一個pytorch，否則我們大可不裝CUDA toolkit。
Q: 如果我電腦上的CUDA驅動版本比較舊怎么辦？或者說我CUDA的驅動版本是11.7，但是我安裝了cuda=11.8的pytorch，或者版本不一樣的pytorch會怎么樣？
A: 我們在安裝cuda=11.7的pytorch，本質上安裝的是在CUDA Toolkit版本為11.7環境下編譯好的pytorch版本。當cuda版本之間的差異不是特別的大，或者說不是破壞性的升級的情況下，那么理論上也是能運行的。
手寫數據性能測試
下面用的是GPT3.5給我提供一段手寫字識別（MNIST)案例代碼，用來測試不同的平臺的速度。
import torch
import torchvision
import torchvision.transforms as transforms
# 轉換數據格式并且加載數據
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)
# 定義網絡模型
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)
# 定義損失函數和優化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
# 訓練網絡
import time
start_time = time.time() # 記錄開始時間
for epoch in range(10): # 進行10次迭代訓練
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() # 記錄結束時間
training_time = end_time - start_time # 計算訓練時間
print('Training took %.2f seconds.' % training_time)
print('Finished Training')
# 測試網絡
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 %%' % (
))
最后統計下來的結果為
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，GPU加速很明顯，無論是mac還是Windows。其次是GPU加速效果對比，M1 max芯片比3070Ti差個10%？。
不過目前測試都是小數據集，等我學一段時間，試試大數據集的效果。
