解決Python使用GPU

TechSynapse發表於2024-06-09

在Python中使用GPU進行計算通常涉及到一些特定的庫,如NumPy、SciPy的GPU加速版本(如CuPy、PyCUDA等)或深度學習庫(如TensorFlow、PyTorch等)。這些庫能夠利用GPU進行平行計算,從而加速資料處理和模型訓練等任務。

以下是一個使用TensorFlow和PyTorch在Python中利用GPU進行計算的詳細示例。這兩個庫在深度學習中非常流行,並且都支援GPU加速。

1.解決Python使用GPU的方法示例

1.1TensorFlow示例

首先,確保我們已經安裝了TensorFlow的GPU版本。我們可以使用pip來安裝:

bash複製程式碼

pip install tensorflow-gpu

然後,在Python程式碼中,我們可以使用以下方式來確保TensorFlow使用GPU進行計算:

import tensorflow as tf  
  
# 檢查TensorFlow是否可以使用GPU  
gpus = tf.config.experimental.list_physical_devices('GPU')  
if gpus:  
    try:  
        # 確保TensorFlow使用第一個GPU  
        tf.config.experimental.set_visible_devices(gpus[0], 'GPU')  
        logical_gpus = tf.config.experimental.list_logical_devices('GPU')  
        print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPU")  
    except RuntimeError as e:  
        # 如果可見裝置必須在執行時設定,會丟擲異常  
        print(e)  
  
# 建立一個簡單的計算圖來測試GPU  
a = tf.constant([1.0, 2.0, 3.0, 4.0], shape=[2, 2], name='a')  
b = tf.constant([1.0, 2.0], shape=[2, 1], name='b')  
c = tf.matmul(a, b)  
  
print("Result:", c)

1.2PyTorch示例

同樣地,首先確保我們已經安裝了PyTorch的GPU版本。我們可以使用pip或conda來安裝:

# 使用pip安裝  
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/torch_stable.html  
  
# 或者使用conda安裝(如果我們正在使用Anaconda或Miniconda)  
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

注意:上面的命令中的cudatoolkit=11.3應該與我們的CUDA版本相對應。

然後,在Python程式碼中,我們可以使用以下方式來確保PyTorch使用GPU進行計算:

import torch  
  
# 檢查是否有可用的GPU  
if torch.cuda.is_available():    
    dev = "cuda:0" # 如果有GPU,則使用第一個GPU  
    device = torch.device(dev)  # 一個裝置物件表示CPU或GPU  
    print('There are %d GPU(s) available.' % torch.cuda.device_count())  
    print('We will use the GPU:', torch.cuda.get_device_name(0))  
else:  
    print('No GPU available, using the CPU instead.')  
    device = torch.device("cpu")  
  
# 建立一個張量並移動到GPU上  
x = torch.tensor([1.0, 2.0, 3.0, 4.0])  
x = x.to(device)  
y = torch.tensor([1.0, 1.0])  
y = y.to(device)  
  
# 在GPU上進行計算  
z = x * y  
print(z)

這兩個示例分別展示瞭如何在TensorFlow和PyTorch中配置和使用GPU進行計算。在實際應用中,這些庫通常用於構建和訓練深度學習模型,這些模型可以非常有效地利用GPU進行平行計算。

2.如何安裝TensorFlow GPU版本

安裝TensorFlow GPU版本需要確保我們的系統滿足一些特定的要求,並遵循一定的步驟。以下是一個清晰、分點表示的安裝指南:

2.1系統要求

  • NVIDIA GPU:我們需要有一個支援CUDA的NVIDIA GPU。我們可以在NVIDIA官方文件中查詢具備條件的GPU清單。
  • CUDA和cuDNN:我們需要安裝與我們的TensorFlow版本相容的CUDA和cuDNN版本。
  • Python:TensorFlow支援Python 3.5至3.9(具體版本可能因TensorFlow版本而異)。
  • 其他依賴項:我們可能還需要安裝其他依賴項,如Anaconda(可選,但推薦用於管理Python環境和依賴項)。

2.2安裝步驟

2.2.1 確定TensorFlow版本和CUDA/cuDNN版本

  • TensorFlow版本:選擇我們想要安裝的TensorFlow版本。請注意,不同版本的TensorFlow可能需要不同版本的CUDA和cuDNN。
  • CUDA和cuDNN版本:查閱TensorFlow官方文件或GitHub頁面上的“安裝指南”部分,以確定與我們的TensorFlow版本相容的CUDA和cuDNN版本。

2.2.2 安裝CUDA和cuDNN

  • 下載CUDA:從NVIDIA官方網站下載與我們的系統和TensorFlow版本相容的CUDA版本。
  • 安裝CUDA:按照NVIDIA提供的安裝指南進行安裝。通常,我們需要選擇自定義安裝並確保安裝必要的元件(如CUDA執行時庫、NVCC編譯器等)。
  • 下載cuDNN:從NVIDIA官方網站下載與我們的CUDA版本相容的cuDNN版本。請注意,cuDNN是一個需要註冊的下載。
  • 安裝cuDNN:將cuDNN庫檔案(如libcudnn.solibcudnn_ops_train.so等)複製到CUDA安裝目錄中的相應位置。

2.2.3 安裝TensorFlow GPU版本

  • 使用pip安裝:開啟命令列終端(如CMD、PowerShell、Terminal等),然後執行以下命令來安裝TensorFlow GPU版本:
bash複製程式碼

pip install tensorflow-gpu==<your_tensorflow_version>

<your_tensorflow_version>替換為我們想要安裝的TensorFlow版本。

  • 使用conda安裝(如果我們正在使用Anaconda):開啟Anaconda Prompt,然後執行以下命令來安裝TensorFlow GPU版本:
bash複製程式碼

conda install tensorflow-gpu=<your_tensorflow_version>

同樣,將<your_tensorflow_version>替換為我們想要安裝的TensorFlow版本。

2.3驗證安裝

安裝完成後,我們可以透過執行一個簡單的TensorFlow程式來驗證GPU是否已正確安裝並可用於TensorFlow。例如,我們可以建立一個簡單的計算圖來測試GPU是否可用。

請注意,以上步驟可能因我們的系統和TensorFlow版本而有所不同。因此,請務必參考TensorFlow官方文件和NVIDIA官方文件以獲取最準確和最新的安裝指南。

3.如何安裝CUDA

安裝CUDA的步驟如下,我將按照清晰、分點表示和歸納的方式給出指導,並儘量參考文章中的相關資訊。

3.1準備工作

(1)確認系統支援:確保我們的作業系統支援CUDA。CUDA支援Windows、Linux和Mac OS等作業系統。

(2)檢查NVIDIA GPU:確保我們的計算機裝有NVIDIA的GPU,並且該GPU支援CUDA。可以透過NVIDIA控制皮膚或nvidia-smi命令來檢視我們的GPU型號及支援的CUDA版本。

(3)確認驅動版本:確保我們的NVIDIA驅動是最新或至少是支援CUDA的版本。

3.2下載CUDA

(1)訪問NVIDIA官網:開啟NVIDIA的CUDA Toolkit下載頁面(CUDA Toolkit Archive | NVIDIA Developer)。

(2)選擇版本:根據我們的作業系統、CUDA版本和架構(如x86_64)來選擇合適的CUDA Toolkit版本。注意,版本要與我們的顯示卡驅動相容。

(3)下載:點選“Download”按鈕下載CUDA Toolkit安裝包。

3.3安裝CUDA

(1)雙擊安裝包:找到下載的CUDA Toolkit安裝包(通常是.exe.run檔案),雙擊開始安裝。

(2)同意許可協議:閱讀並同意NVIDIA的軟體許可協議。

(3)自定義安裝:推薦選擇“自定義”安裝,以便我們可以選擇需要安裝的元件。如果我們是第一次安裝,建議選擇全部元件;如果是更新或重新安裝,可以選擇只安裝必要的元件。

(4)設定安裝路徑:如果沒有特殊要求,建議按照預設路徑進行安裝。記住安裝路徑,因為後續配置環境變數時需要用到。

(5)等待安裝完成:安裝過程中可能需要一些時間,請耐心等待。

3.4配置環境變數

3.4.1Windows系統

  • 右鍵點選“此電腦”或“計算機”,選擇“屬性”。
  • 點選“高階系統設定”,然後點選“環境變數”。
  • 在系統變數中找到“Path”變數,點選“編輯”,然後新增CUDA的安裝路徑(如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v<version>\binC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v<version>\libnvvp)。

3.4.2Linux系統

  • 開啟終端,使用文字編輯器(如nano或vim)開啟.bashrc檔案(通常在使用者的主目錄下)。

  • 在檔案末尾新增類似下面的行來設定環境變數(具體路徑根據我們的安裝位置而定):

    export PATH=/usr/local/cuda-<version>/bin${PATH:+:${PATH}}  
    export LD_LIBRARY_PATH=/usr/local/cuda-<version>/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
    
  • 儲存並關閉檔案。

  • 在終端中輸入source ~/.bashrc來使環境變數生效。

3.5驗證安裝

(1)Windows系統:開啟命令提示符(CMD)或PowerShell,輸入nvcc -V來檢視CUDA版本資訊。

(2)Linux系統:在終端中輸入nvcc -V來檢視CUDA版本資訊。

如果看到CUDA的版本資訊,說明CUDA已經成功安裝並配置好了環境變數。現在我們可以開始使用CUDA進行GPU加速了!

相關文章