数千微信好友,每天都会有几个问我 Torch not complied with CUDA enabled
这类问题。
天天回答重复性问题,回答得我头秃。索性写篇科普文,教大家如何解决,并且「白嫖 GPU」。
以后再被问到类似问题,我就直接将这篇文章转发给他。
首先,你需要知道一点,学习深度学习算法,需要有 GPU,也就是显卡。
而显卡,需要是 NVIDIA 的显卡,也就是我们俗称的 N 卡。
虽然人人都喊「 AMD yes,AMD 真香」,但在深度学习领域,目前来看 只能对 A 卡说 No。
因为,主流的推理框架,都需要在 NVIDIA 推出的 CUDA 运算平台上进行,使用上这也是最方便的。
所以,如果你没有 N 卡,比如你用 Mac 本或者 A 卡电脑,那么你只能使用 CPU 版本的深度学习框架。
深度学习使用 GPU 运算很快,用 CPU 巨慢无比。
如果只是进行算法的效果测试,那姑且可以用 CPU 试一试,不过很多算法就算测试,可能也需要跑上十几分钟。
如果要进行算法的训练,那必须用 GPU,用 CPU 跑训练会跑到怀疑人生,几个月不断电都未必训练好算法。
至于「Torch not complied with CUDA enabled」这个问题:
配置开发环境,可以参考我写过的这篇《语义分割基础与环境搭建》文章的环境配置部分。
修改代码为 cpu 版,这个对新手可能有点难度,不同深度学习框架修改方法也不同。
好在有百度,直接搜索关键词「pytorch修改代码为cpu」,其他框架同理,教程非常多。
自己没有 GPU,但是我就想用!可以!引出文本的重点,教你如何「白嫖 GPU」。
想白嫖,就盯准国内外提供 GPU 服务的大厂就行,比如这些知名的平台。
Colab 个人使用感觉体验最好,并且很多开源的算法,都直接提供了 colab 的运行脚本。
无需配置开发环境,直接运行体验算法效果。
但是它也有明显的问题,需要梯子,毕竟 Google 的产品。
只需要在 Google Drive 上,安装 colab 即可使用。如果需要上传数据,可以上传到 Google Drive 上,并在 colab 中挂载,就可以直接访问。
显卡:V100、P100、T4 等训练主流显卡,显存 16 G。
磁盘存储:15 G,可使用 Google Drive 扩容。
时间限制:每次 12 个小时。
使用教程:https://blog.csdn.net/JOHNYXUU/article/details/105870308
Kaggle 和 Colab 都是 Google 提供的服务,登陆不需要梯子,但不用梯子,加载页面速度有些慢。
显卡:V100、P100、T4 等训练主流显卡,显存 16 G。
磁盘存储:5 G。
时间限制:每次 12 个小时。
使用教程:https://www.cnblogs.com/moonfan/archive/2004/01/13/12256832.html
阿里云天池提供的 GPU,也不错,并且国内的服务,不需要梯子,就是文件上传速度慢了点。
显卡:V100、P100、T4 等训练主流显卡,显存 16 G。
磁盘存储:5 G。
时间限制:每次 8 个小时。
使用教程:https://blog.csdn.net/hanx09/article/details/107705720
百度 AI studio 提供的 GPU 有点豪,显存和磁盘存储都很大,有详细的文档和视频,但只能使用 Paddle 框架。
显卡:V100、P100、T4 等训练主流显卡,显存 32 G。
磁盘存储:100 G。
时间限制:每次 10 个小时。
使用教程:https://www.cnblogs.com/Kobaayyy/p/12592191.html
白嫖一时爽,一直白嫖一直爽。但白嫖也有一些限制,真想长期学习,还是有必要配置一台 GPU 电脑的。
3000 元左右的显卡,跑个算法,训练个小任务,完全够用。
多香啊,最主要的是学累了,还能打一打游戏。