常见深度学习框架
- Tensorflow：Google 开源的基于数据流图的科学计算库，适合用于机器学习、深度学习等人工智能领域。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端的计算过程。TensorFlow是将复杂的数据结构传输至人工神经网中进行分析和处理过程的系统。
- Keras：Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。Keras在代码结构上由面向对象方法编写，完全模块化，其运行机制和说明文档有将用户体验和使用难度纳入考虑，并试图简化复杂算法的实现难度 。Keras支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型 。在硬件和开发环境方面，Keras支持多操作系统下的多GPU并行计算，可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件。
- PyTorch：Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。
环境配置
- Python + Anaconda：Anaconda封装着各种各样神奇的科学包及其依赖项。Anaconda的安装并不复杂，但是要记得勾选选项，如下图所示：
图1勾选上方是自动将Anaconda加入环境变量中，图2点击Skip跳过VSCode的安装。在安装Anaconda时，其将自带安装Python解释器，因此无需再手动安装Python。 - CUDA：NVIDIA推出的通用并行计算架构，使得NVIDIA GPU能解决复杂计算问题，它包含了CUDA指令集架构以及GPU内部的并行计算引擎。 开发人员可以使用C语言来为CUDA™架构编写程序，所编写出的程序可以在支持CUDA™的处理器上以超高性能运行。通过 在cmd中执行命令
Nvidia-smi，可以查看当前NVIDIA驱动的版本号以及当前驱动支持的最新CUDA版本。在安装CUDA前最好先去PyTorch、TensorFlow官网查看其最新支持的CUDA信息，若深度学习框架与CUDA版本不对应可能导致GPU不能调用，而CUDA版本是向下兼容的，因此最好选择框架对应且电脑NVIDIA驱动支持的CUDA版本。
通过自己对应的版本号即可跳转到NVIDIA CUDA Toolkit Archive界面选择相应的CUDA版本。在下载前应当查看对应Toolkit参考文档Release Notes来查看是否支持自己电脑的驱动版本。
如上述电脑Driver Version为432，大于上述CUDA 10.1要求的418.96，因此可使用本版本的Toolkit。选择CUDA安装环境时最好选择对应系统版本的包，此外要选择exe[local]防止网络慢。
CUDA安装是最先弹出的进度条界面所展示的地址是文件的临时解压地址，万不可将安装地址与解压地址设置为相同，否则安装完后会造成已安装文件的删除。在如下提示安装VSCode的界面，点🐕继续即可。
安装完毕后，查看C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin(这是自己的安装目录)中是否有nucc.exe文件。接在在系统变量Path中添加该bin目录即可。在cmd中输入nvcc -V检验是否安装成功。
接着到英伟达官网下载与CUDA对应的cuDNN。注意：需要先注册账号，填写个人信息及简单的调查文件后才能下载，一步一步来即可。下载之后，解压缩，将CUDNN文件夹里面的bin、include、lib文件直接复制到CUDA的安装目录下，直接覆盖安装即可。 PyTorch：在官网选择合适的版本。
以管理员身份运行Anaconda Prompt并执行官网提供的安装命令。测试安装是否成功，可以正常打印出版本号，安装没问题。并测试能否用GPU加速，返回True。import torchprint(torch.__version__)print(torch.cuda.is_available())
PyCharm：
安装完成后，点击左上角File-Settings-Python interpreter，选择Anaconda提供的python解释器，若没有要自己添加。在PyCharm中同样执行如下命令检测。import torchprint(torch.__version__)print(torch.cuda.is_available())
若有收获，就点个赞吧
0 人点赞
