Pytorch是目前最火的深度学习框架之一,另一个是TensorFlow。不过我之前一直用到是CPU版本,几个月前买了一台3070Ti的笔记本(是的,我在40系显卡出来的时候,买了30系,这确实一言难尽),同时我也有一台M1芯片Macbook Pro,目前也支持了pytorch的GPU加速,所以我就想着,在这两个电脑上装个Pytorch,浅度学习深度学习。
Apple silicon 首先是M1芯片,这个就特别简单了。先装一个conda,只不过是内置mamba包管理器,添加conda-forge频道,arm64版本。
1 2 3 4 wget https://github.com/conda-forge/miniforge/releases/latest/download/Mambaforge-MacOSX-arm64.sh bash Mambaforge-MacOSX-arm64.sh
然后我们用mamba创建一个环境,用的是开发版的pytorch,所以频道指定pytorch-nightly
1 2 3 mamba create -n pytorch \ jupyterlab jupyterhub pytorch torchvision torchaudio -c pytorch-nightly
最后,用conda activate pytorch
,然后测试是否正确识别到GPU
1 2 3 4 5 import torch torch.has_mps device = torch.device("mps" )
参考资料: https://developer.apple.com/metal/pytorch/
Windows NVIDIA 首先,需要确保你的电脑安装的是NVIDIA的显卡,以及有了相应的CUDA驱动。
CUDA的显卡架构要求: https://docs.nvidia.com/deeplearning/cudnn/support-matrix/index.html
新一代的电脑上基本都自带CUDA驱动。可以通过打开NVIDIA控制面板的系统信息
在组件中查看你已经安装的CUDA驱动,例如我的是11.7.89 。
也可以通过命令行的方式查看,
接下来,我们来安装pytorch。同样也是推荐conda的方法,我们先从清华镜像源中下载Miniconda。
选择Windows的安装包
安装完之后,我们就可以通过Anaconda Prompt进入命令行,根据pytorch网站上的推荐进行安装。
但是有一点不同,为了避免环境冲突,最好是单独创建一个环境,所以代码如下
1 conda create -n pytorch pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
接着用 conda activate pytorch
启动环境,然后在python环境中测试
1 2 3 import torchtorch.has_cuda
几个常见的问题(至少我在写文章想到的问题):
Q: 使用conda和pip安装的区别是什么?
A: conda是pytorch官方推荐的安装方式,因为conda会一并帮你装好pytorch运行所需要的CUDA驱动和相关工具集。这意味着为conda所占用的空间会更多一些。
Q: 既然conda那么强,是不是让conda帮我在非常老的硬件上安装最新的pytorch吗?
A: 我觉得这个跟装游戏类似,你虽然能装上游戏,但是不满足游戏的最低配置需求,照样跑不动。放在conda上,conda虽然能给你配置好cuda驱动,但是cuda驱动本身对系统的显卡驱动有要求。如果你的显卡驱动不满足,那么就算装好了,也会报错。RuntimeError: The NVIDIA driver on your system is too old
Q: 电脑上必须要安装CUDA驱动和安装CUDA toolkit吗?
A: 其实我个人不是很确定如何回答,如下是我目前的一些见解。如果你用的conda,那么他会帮你解决一些依赖问题。如果你是用pip,那么就需要你自己动手配置。其中,CUDA驱动是必须要安装的,因为CUDA驱动负责将GPU硬件与计算机操作系统相连接,不装驱动,操作系统就不识别CUDA核心,相当你没装NVIDIA显卡。而CUDA toolkit是方便我们调用CUDA核心的各种开发工具集合,你装CUDA toolkit的同时会配套安装CUDA驱动。除非你要做底层开发,或者你需要从源码编译一个pytorch,否则我们大可不装CUDA toolkit。
Q: 如果我电脑上的CUDA驱动版本比较旧怎么办?或者说我CUDA的驱动版本是11.7,但是我安装了cuda=11.8的pytorch,或者版本不一样的pytorch会怎么样?
A: 我们在安装cuda=11.7的pytorch,本质上安装的是在CUDA Toolkit版本为11.7环境下编译好的pytorch版本。当cuda版本之间的差异不是特别的大,或者说不是破坏性的升级的情况下,那么理论上也是能运行的。
手写数据性能测试 下面用的是GPT3.5给我提供一段手写字识别(MNIST)案例代码,用来测试不同的平台的速度。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 import torchimport torchvisionimport torchvision.transforms as transformstransform = 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 ) 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() device = torch.device("cpu" ) device = torch.device("cuda:0" ) device = torch.device("mps" ) net.to(device) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.SGD(net.parameters(), lr=0.001 , momentum=0.9 ) import timestart_time = time.time() for epoch in range (10 ): 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() training_time = end_time - start_time print ('Training took %.2f seconds.' % training_time)print ('Finished Training' )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 %%' % ( ))
最后统计下来的结果为
Windows平台
3070Ti Training took 45.02 seconds.
i9 12900H Training took CPU 75.65
Mac平台
M1 Max Training took 50.79 seconds.
M1 MAX CPU Training took 109.61 seconds.
总体上来说,GPU加速很明显,无论是mac还是Windows。其次是GPU加速效果对比,M1 max芯片比3070Ti差个10%?。
不过目前测试都是小数据集,等我学一段时间,试试大数据集的效果。