汕头网站建设科技有限公司,在线支付的网站怎么做,制作手机wap网站工具,网站专题框架怎么做目录
1.CUDA 介绍
1.1 CUDA 的基本概念
1.2 CUDA 的工作原理
1.3 CUDA 的应用领域
2. 安装CUDA
2.1 查看GPU版本 2.2 升级驱动#xff08;可选#xff09;
2.3 查看CUDA版本驱动对应的支持的CUDA ToolKit工具包
2.4 下载Toolkit
2.5 安装#xff08;省略#xff0…目录
1.CUDA 介绍
1.1 CUDA 的基本概念
1.2 CUDA 的工作原理
1.3 CUDA 的应用领域
2. 安装CUDA
2.1 查看GPU版本 2.2 升级驱动可选
2.3 查看CUDA版本驱动对应的支持的CUDA ToolKit工具包
2.4 下载Toolkit
2.5 安装省略
2.6 验证安装 nvcc -V
2.7 卸载 CUDA版本可选
3. Anaconda 介绍
3.1 Anaconda 的主要功能和特点
3.2 Anaconda 的使用场景
4. 安装Anaconda
4.1 安装省略
4.2 配置环境变量Path
4.3 验证
4.4 更改镜像源
4.5 修改默认存储位置可选但建议修改
4.6 常用命令
4.6.1 常用快捷键
4.6.2 常用命令Jupyter Notebook
4.6.3 常用命令Anaconda Prompt
环境管理
包管理
缓存与配置 其他常用命令 5. Pytorch 介绍
PyTorch 的特点
6. 安装Pytorch
6.1 创建conda虚拟环境
6.2 安装 pytorch
验证 1.CUDA 介绍 CUDACompute Unified Device Architecture是由NVIDIA公司推出的一种并行计算平台和编程模型它使得开发者能够利用NVIDIA GPU的强大并行计算能力来加速计算密集型任务。CUDA 不仅是一种编程语言更是一个完整的开发平台包括了硬件、软件、驱动程序、库和工具等。
1.1 CUDA 的基本概念 硬件支持CUDA 要求使用支持 CUDA 技术的 NVIDIA GPU。这些 GPU 包含了大量的计算单元CUDA Cores能够同时执行多个线程以实现并行计算。 编程模型CUDA 提供了基于 C/C 的编程模型允许开发者编写在 GPU 上执行的代码。CUDA 代码通常分为两部分一部分运行在主机Host通常是 CPU上另一部分运行在设备Device通常是 GPU上。运行在设备上的代码称为核函数Kernel它们由主机上的代码调用并在 GPU 上并行执行。 内存层次结构CUDA 设计了一个多层次的内存体系结构包括全局内存Global Memory、共享内存Shared Memory、常量内存Constant Memory、纹理内存Texture Memory等。不同类型的内存具有不同的访问特性和速度合理使用这些内存可以显著提升程序性能。 1.2 CUDA 的工作原理 主机与设备在 CUDA 中CPU 称为主机HostGPU 称为设备Device。主机负责启动计算任务并将数据传输到设备上设备负责执行并行计算任务。 网格与块CUDA 中的并行任务组织成网格Grid每个网格包含多个块Block每个块又包含多个线程Thread。这种层次结构允许开发者控制并行程度和数据共享方式。 核函数这是在 GPU 上运行的函数由主机代码调用。每个线程执行核函数的一份拷贝每个线程处理数据的不同部分。核函数是 CUDA 程序的核心它们在 GPU 上并行执行处理大量的数据。
1.3 CUDA 的应用领域
深度学习许多深度学习框架如 TensorFlow、PyTorch 等都支持 CUDA 加速能够大幅加快模型训练和推理的速度。通过 CUDA可以利用 GPU 的并行计算能力来加速神经网络的训练和预测。科学计算CUDA 可以用于模拟物理、化学等领域中的复杂系统加速数值计算。例如在分子动力学模拟、天气预报等方面CUDA 可以提供显著的性能提升。图像和视频处理利用 GPU 的并行处理能力CUDA 可以加速图像和视频的渲染和处理任务。从图像识别到视频编辑CUDA 都能提供强大的支持。金融建模在金融行业中CUDA 可以用于快速计算期权定价、风险评估等复杂的金融模型。 2. 安装CUDA TIP后续需要安装Pytorch可先检查Pytorch版本是否与CUDA版本相匹配再决定是否升级CUDA。 笔者环境CUDA v11.2驱动 v462.42 但Pytorch 早期版本支持CUDA v11.1 和v11.3就会比较纠结。 于是升级驱动 v561.09CUDA v12.6但Pytorch 最新版本支持的CUDA v12.1 和v12.4 2.1 查看GPU版本 cmd命令输入 nvidia-smi 2.2 升级驱动可选 如果显卡驱动版本过低检查是否可以升级驱动 NVIDIA GeForce 驱动程序 - N 卡驱动 | NVIDIA
手动升级 自动升级下载GeForce 验证升级 2.3 查看CUDA版本驱动对应的支持的CUDA ToolKit工具包
CUDA 12.6 Update 1 Release Notes 2.4 下载Toolkit
CUDA Toolkit Archive | NVIDIA Developer
2.5 安装省略
2.6 验证安装 nvcc -V 2.7 卸载 CUDA版本可选
卸载旧版本为了安装新版本 控制面板-程序和功能选择对应的程序进行卸载 3. Anaconda 介绍 Anaconda 是一个开源的 Python 和 R 语言的分发版本主要用于数据科学、机器学习和大数据分析。它提供了一个完整的科学计算环境包含了多种流行的数据分析、可视化、机器学习等工具包是数据科学和开发人员的常用平台。Anaconda 可以在不同的操作系统上运行包括 Windows、macOS 和 Linux。
3.1 Anaconda 的主要功能和特点
包管理和环境管理 Anaconda 内置了 Conda一个强大的包管理和环境管理工具。它可以轻松地创建独立的虚拟环境、安装和管理不同版本的 Python 以及其他科学计算相关的库避免包冲突。 内置常用库 Anaconda 默认自带超过 1500 个数据科学和机器学习相关的库比如 NumPy、Pandas、Matplotlib、SciPy、Scikit-learn 等不需要手动安装节省开发时间。 Jupyter Notebook: Anaconda 集成了 Jupyter Notebook这是一个交互式的开发环境方便进行数据分析和算法调试。开发人员可以在一个网页界面中编写和运行代码并即时查看结果。 图形界面管理工具 Anaconda 提供了一个可视化管理界面叫做 Anaconda Navigator用户可以通过图形界面轻松管理包、创建环境、启动 Jupyter Notebook 或其他工具比如 Spyder、RStudio。 跨平台支持 无论你使用的是 Windows、macOS 还是 LinuxAnaconda 都能提供一致的开发体验并支持在不同操作系统上进行科学计算。 简化部署 Anaconda 通过 Conda 包管理器支持快速的项目部署。它可以将整个开发环境打包确保在不同机器上都能复现项目的环境配置。 3.2 Anaconda 的使用场景
数据科学 Anaconda 是数据科学家们的理想工具提供了大量用于数据清洗、分析、建模的工具和库。机器学习 内置常用机器学习库如 TensorFlow、Keras、Scikit-learn 等方便搭建、训练和测试机器学习模型。大数据分析 通过与 Hadoop、Spark 等工具的集成Anaconda 支持大规模数据处理和分布式计算。 4. 安装Anaconda
官网地址
Download Now | Anaconda 镜像地址下载可选速度较快anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror 4.1 安装省略
4.2 配置环境变量Path F:\IT\software\Anaconda3\Library\bin #替换为你真实的安装路径 4.3 验证
按下WinR输入cmd打开终端。
4.4 更改镜像源
创建 .condarc 文件 不同系统下的 .condarc 目录如下 - Linux: ${HOME}/.condarc - macOS: ${HOME}/.condarc - Windows: C:\Users\YourUserName\.condarc TIP* Windows 用户无法直接创建名为 .condarc 的文件 可先执行 conda config --set show_channel_urls yes 生成该文件之后再修改 .condarc 文件插入以下内容
channels:- defaults
show_channel_urls: true
default_channels:- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudpytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
4.5 修改默认存储位置可选但建议修改 .condarc 文件末尾追加注意同时修改envs和pkgs envs_dirs:- E:\IT\conda_env
pkgs_dirs: - E:\IT\conda_pkgs验证 conda info ,发现默认路径修改了 conda create env_name ,默认路径也修改了
参考信息 anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror 4.6 常用命令 Jupyter Notebook 使用 打开Jupyter Notebook 即可 / 或者打开Anaconda Prompt 输入jupyter notebook 4.6.1 常用快捷键
Jupyter Notebook有两种输入模式命令模式和编辑模式。
命令模式蓝色边框用于控制单元格的行为如添加、删除、移动单元格等。 A在当前单元格上方插入新单元格。B在当前单元格下方插入新单元格。D, D连续按两次D删除当前单元格。M将当前单元格转换为Markdown模式。Y将当前Markdown单元格转换为代码模式。Enter进入编辑模式。编辑模式绿色边框用于在单元格中输入代码或文本。 Tab代码补全。Shift Tab显示函数的文档字符串。Ctrl Enter运行当前单元格。Shift Enter运行当前单元格并选中下一个单元格。Alt Enter运行当前单元格并在下方插入新单元格。 模式切换通过按Esc键可以从编辑模式切换到命令模式通过按Enter键可以从命令模式切换到编辑模式。代码执行在编辑模式下可以使用上述快捷键或点击工具栏中的“运行”按钮来执行单元格中的代码。Markdown支持Jupyter Notebook支持Markdown语法可以在Markdown单元格中编写格式化的文本、插入链接、图片等。 4.6.2 常用命令Jupyter Notebook
安装包 使用pip安装库pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple使用清华源加速下载查看当前环境import sys; print(sys.executable)查看已安装包及其版本pip list文件读取 读取Excel文件使用pandas库pd.read_excel(文件名.xlsx)读取CSV文件使用pandas库pd.read_csv(文件名.csv)系统查看 查看操作系统信息import platform; print(platform.platform())查看Python运行环境信息import sys; print(sys.version)Linux系统查看GPU信息!nvidia-smiLinux系统查看内存信息!free -hLinux系统查看CPU信息cat /proc/cpuinfo魔法命令Magic Commands %matplotlib inline在Jupyter Notebook中嵌入Matplotlib生成的图形。%time测量单个语句的执行时间。%timeit提供更准确的代码运行时间测量自动多次执行以计算平均值和标准差。%ls列出当前目录的文件和文件夹。%pwd显示当前工作目录。%run运行外部Python脚本。%load将外部脚本的内容加载到当前单元格中。
4.6.3 常用命令Anaconda Prompt
打开Anaconda Prompt
a. 环境管理
创建新环境 # 创建一个名为 myenv_name 的新环境并指定Python版本为3.10。 conda create --name myenv_name python3.10 # 从environment.yml文件中创建环境。 conda env create -f environment.yml 查看已有环境 # 列出所有已创建的环境 conda info --envs 或 conda env list 激活环境 # 激活名为 myenv_name 的环境 conda activate myenv_name 退出环境 # 退出当前激活的环境 conda deactivate 删除环境 # 删除名为myenv的环境及其中的所有包 conda remove --name myenv_name --all 复制环境 # 复制名为old_env的环境到名为new_env的新环境 conda create --name new_env --clone old_env b. 包管理
安装包 # 在当前环境中安装numpy包 conda install numpy # 安装指定版本的numpy包 conda install numpy1.20 # 从conda-forge频道安装numpy包 conda install numpy -c conda-forge 更新包 # 更新numpy包到最新版本 conda update numpy 卸载包 # 卸载numpy包 conda remove numpy 搜索包 # 搜索numpy包的所有可用版本 conda search numpy c. 缓存与配置
清理缓存 # 清理conda的缓存包括下载的包和临时文件 conda clean --all 查看配置 # 显示当前conda的配置信息 conda config --show 添加/删除/设置镜像源 # 添加镜像源 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ # 删除镜像源 conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ # 设置默认镜像源 conda config --prepend channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ d. 其他常用命令
查看conda版本 # 显示conda的版本号 conda --version 或 conda -V 查看已安装包 # 在激活的环境中列出所有已安装的包 conda list # 列出指定环境如myenv中已安装的包。 conda list -n myenv 5. Pytorch 介绍 PyTorch 是一个开源的机器学习库由 Facebook 的人工智能研究实验室 FAIRFacebook AI Research开发并维护。它主要用于实现深度学习模型并且提供了强大的 GPU 加速功能。PyTorch 的设计初衷是为了提供灵活性和易用性使得研究人员可以更方便地进行实验。 PyTorch 的特点 动态计算图与一些需要静态图定义的框架不同PyTorch 支持动态构建计算图这使得开发者在调试和修改模型时更加灵活方便。 易于上手PyTorch 使用 Python 语言编写API 设计直观接近自然语言易于学习和使用。 自动微分PyTorch 提供了自动求导的功能简化了梯度计算的过程使得开发者能够专注于模型的设计而不是繁琐的数学推导。 丰富的预训练模型库PyTorch 拥有大量预训练好的模型用户可以直接使用这些模型进行迁移学习等任务。 强大的社区支持由于其灵活性和易用性PyTorch 获得了广泛的社区支持包括大量的插件、教程和第三方库。 分布式训练支持PyTorch 提供了分布式训练的支持可以用于多机多卡的场景这对于大规模数据集的处理非常有用。 可移植性和生产环境部署PyTorch 还提供了工具来将模型转换为 C 可执行文件或者 ONNX 格式便于在生产环境中部署。
6. 安装Pytorch 官网地址PyTorch 6.1 创建conda虚拟环境 conda create --name deeplearn python3.10 conda activate deeplearn 6.2 安装 pytorch conda install pytorch torchvision torchaudio pytorch-cuda12.4 -c pytorch -c nvidia 验证
(E:\IT\conda_env\deeplearn) C:\Users\*****python
Python 3.10.14 | packaged by Anaconda, Inc. | (main, May 6 2024, 19:44:50) [MSC v.1916 64 bit (AMD64)] on win32
Type help, copyright, credits or license for more information.import torchx torch.rand(5)x
tensor([0.5679, 0.3314, 0.5000, 0.6988, 0.2062])
