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(nèi)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(chuàng)建一個環(huán)境，用的是開發(fā)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(qū)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(qū)動。可以通過打開NVIDIA控制面板的系統(tǒng)信息

image.png

在組件中查看你已經(jīng)安裝的CUDA驅(qū)動，例如我的是11.7.89 。

image.png

也可以通過命令行的方式查看，

image.png

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。

image.png

選擇Windows的安裝包

image.png

安裝完之后，我們就可以通過Anaconda Prompt進入命令行，根據(jù)pytorch網(wǎng)站上的推薦進行安裝。

image.png

但是有一點不同，為了避免環(huán)境沖突，最好是單獨創(chuàng)建一個環(huán)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(huán)境，然后在python環(huán)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(qū)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(qū)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(qū)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(qū)動是必須要安裝的，因為CUDA驅(qū)動負責將GPU硬件與計算機操作系統(tǒng)相連接，不裝驅(qū)動，操作系統(tǒng)就不識別CUDA核心，相當你沒裝NVIDIA顯卡。而CUDA toolkit是方便我們調(diào)用CUDA核心的各種開發(fā)工具集合，你裝CUDA toolkit的同時會配套安裝CUDA驅(qū)動。除非你要做底層開發(fā)，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(qū)動版本比較舊怎么辦？或者說我CUDA的驅(qū)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(zhì)上安裝的是在CUDA Toolkit版本為11.7環(huán)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(shù)據(jù)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(zhuǎn)換數(shù)據(jù)格式并且加載數(shù)據(jù)
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(wǎng)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(shù)和優(yōu)化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 訓練網(wǎng)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(jié)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(wǎng)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(tǒng)計下來的結(jié)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(shù)據(jù)集，等我學一段時間，試試大數(shù)據(jù)集的效果。