AI入门----深度学习的软硬件配置

亦凉 2022-12-28 14:03 237阅读 0赞

论软硬件配置的重要性  
深度学习被戏称为“炼丹”，所以用来训练深度学习的机器就被称为“炼丹炉”。古人炼丹的时候采用的原料都是混合物，使用的火分为“文火”和“武火”，也没有使用惰性气体保护。所有的物质、条件等都没有量的概念，甚至炼丹师都不知道各种物质之间发生了什么反应，所以在这样的条件下想要练出质量合格的丹药是难上加难。

我们的深度学习之所以被称为“炼丹”，其实也是有原因的。例如，一个深度学习模型中使用多少层，每一层中神经元的个数、连接方式等都可以变化，都可以得到期望的结果，但是仔细去分析这些参数，却又完全无法解释。这种“黑盒”的状态跟“炼丹”很相似。所以深度学习没有确切的理论进行指导，我们只能依靠经验，而经验是依靠前人传授以及自己不断试错得到的。既然是试错，那就需要用很高配置的硬件来尽可能快的完成试错过程。  
深度学习中有一类计算称之为“卷积”操作，简单来说就是矩阵的乘法、加法。这一类操作在CPU中运行的比较慢，在 (英伟达显卡) GPU中运行比较快 (约100倍)。也就是说同样一个卷积神经网络，用CPU可能需要1小时才能训练完，但用GPU只需要半分钟。所以说要学会/好深度学习，一定要有一台好的炼丹炉。这里给一个推荐：  
RTX3090显卡，I7的10700CPU，32或64G内存，1-2T的SSD硬盘。另外的配置包括机箱、电源、主板等也要配套。总价约20000人民币。

说完硬件再说说软件。目前最流行的几个机器学习框架是TensorFlow、Keras和PyTorch。TensorFlow最大的优势是先入为主，占据了大量市场，而且部署到工业应用比较方便。缺点是不同版本之间的兼容性差。Keras是以TensorFlow为基础的一个框架，使用很方便。TensorFlow 2.X版本中已经集成了Keras，使用也很方便。PyTorch是Facebook在维护的一个框架，版本兼容性比较好，跟TensorFlow 2.X很相似，使用比较方便。缺点是工业部署不方便。  
我们建议先用PyTorch验证自己的想法，确实能实现之后再用TensorFlow，最后再进行工业部署。当然，如果用户更习惯使用TensorFlow，也可以直接使用TensorFlow编写代码。在这里，我们主要是以PyTorch为基本框架进行介绍深度学习神经网络。

开发Python软件常用的编辑器有Eclipse、PyCharm、Sublime等，作者使用Eclipse，读者可以使用自己喜欢的编辑器。

PyTorch的安装：  
到PyTorch的官网：https://pytorch.org/，可以看到一个表格，在表格上根据自己的电脑的软硬件进行选择，下面会自动给出命令，把这一段命令放到控制台执行即可。值得注意的是，在如果要用英伟达显卡的GPU，必须先安装CUDA和CUDNN。目前PyTorch还不支持AMD的显卡。GPU版本的PyTorch大约有2G大小，CPU版本大约是500M。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdlaWwwMDc_size_16_color_FFFFFF_t_70]

![在这里插入图片描述][20201217154830778.png]

我这里使用的是Eclipse，安装完PyTorch，输入如下命令可以显示PyTorch的版本，以及GPU是否可用 (编辑文本的电脑没有GPU，训练用的电脑有GPU)。

![在这里插入图片描述][20201217154849802.png]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdlaWwwMDc_size_16_color_FFFFFF_t_70]: /images/20221120/4cd74377337f4ff9a9cff40bbaaa76eb.png
[20201217154830778.png]: /images/20221120/be035a407fe84748a5a6c8bb3d6ae1c5.png
[20201217154849802.png]: /images/20221120/a1ed3fe1d4e246218e9409f5a86c4c03.png