一、引言
大多数机器学习工作流都涉及处理数据、创建模型、优化模型等参数,并保存经过训练的模型。本教程将向您介绍一个在 PyTorch 中实现完整的 ML 工作流程,用于了解有关这些概念中的每一个的更多信息。
官方使用了 FashionMNIST 数据集来训练一个神经网络,该神经网络预测输入图像是否属于以下类别之一:T恤/上衣,裤子,套头衫,连衣裙,外套,凉鞋,衬衫,运动鞋,包,或踝靴。
注意:需要您基本熟悉 Python 和了解深度学习概念。
二、从本地开始运行代码
提示:官方还有提供 云环境 来测试代码,有需要的同学可以直接去官方。它的每个部分的顶部都有一个“在 Microsoft Learn 中运行”和“在 Google Colab 中运行”链接,该链接分别在 Microsoft Learn 或 Google Colab 中打开一个集成笔记本,其中包含完全托管环境中的代码。
2.1、在 Windows 上安装支持 Nvidia GPU
具体可参见:
2.2、安装 Python 的 Pytorch 环境
目前 Windows 上的 PyTorch 仅支持 Python 3.8-3.11;不支持 Python 2.x。
由于 Windows 上默认未安装它,因此有多种方法可以安装 Python:Chocolatey、Python website、Anaconda。
您可以使用以下方式安装:
$ pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
需要注意,下载过程中会出现类似 torch-2.1.1+cu118-cp39-cp39-win_amd64.whl ,这个比较大,大约 2.7GB,需要时间。
2.3、安装后验证
为了确保 PyTorch 已正确安装,我们可以通过运行示例 PyTorch 代码来验证安装。在这里,我们将构造一个随机初始化的张量。
此外,要检查 GPU 驱动程序和 CUDA 是否已启用且可由 PyTorch 访问,请运行以下命令以返回 CUDA 驱动程序是否已启用:
import torch
x = torch.rand(5, 3)
print('x --> ', x)
y = torch.cuda.is_available()
print('y --> ', y)

三、GTX 和 RTX 有什么不同?
为防止买错电脑,现列出说明:
"GTX" 和 "RTX" 是 NVIDIA 的两个不同系列的显卡,它们在许多方面有所不同。以下是它们之间的主要区别:
3.1、架构不同
- GTX: GTX 系列使用了 NVIDIA 的 "Pascal" 和 "Turing" 架构。这些架构主要关注游戏性能和图形渲染。
- RTX: RTX 系列使用了 "Turing" 和 "Ampere" 架构。这些架构不仅关注游戏性能,还引入了硬件加速的光线追踪技术(例如,RTX 20 系列和 RTX 30 系列的显卡支持光线追踪),这对于实现更逼真的图形效果和深度学习任务非常有用。
3.2、光线追踪不同
- GTX: GTX 系列显卡不支持硬件加速的光线追踪。
- RTX: RTX 系列显卡支持硬件加速的光线追踪,这使得游戏和应用程序可以实现更真实的光影和阴影效果。
3.3、Tensor Cores不同
- GTX: GTX 系列不包括 Tensor Cores,这是专门设计用于深度学习加速的硬件单元。
- RTX: RTX 系列显卡具有 Tensor Cores,这允许它们在深度学习任务中提供出色的性能。Tensor Cores 可以用于加速深度学习训练和推断。
3.4、DLSS (Deep Learning Super Sampling)不同
- GTX: GTX 系列不支持 NVIDIA 的 DLSS 技术,这是一种深度学习驱动的图像超采样技术,用于提高游戏性能和图像质量。
- RTX: RTX 系列显卡支持 DLSS,可以在游戏中提供更高的性能和更清晰的图像。
3.5、实时光线追踪性能不同
- GTX: GTX 系列显卡在实时光线追踪性能上通常较弱。
- RTX: RTX 系列显卡在实时光线追踪性能方面表现更强,可以更好地处理光线追踪相关任务。
总之,RTX 系列显卡在深度学习、光线追踪和图形效果方面具有更多的特性和性能,适用于需要更高级功能的应用程序和游戏。GTX 系列显卡则更侧重于传统的游戏性能和图形渲染。选择哪个系列取决于你的需求和预算。请注意,NVIDIA 可能会继续发布新的显卡系列,所以最好查看最新的产品信息和性能比较以做出决策。

https://blog.csdn.net/ndscvipuser/article/details/136641484

1万+

被折叠的 条评论
为什么被折叠?



