CUDA and PyTorch Environment for WSL2
1 Introduction
在确定研究方向后需要使用工作站跑实验代码,而我们研一需要去北京集中教学,因此我导购买了一台移动工作站。而由于我使用了近7年的MacOS,对类Unix系统操作比较熟练,从而打算在Windows上安装Linux系统来配置开发环境。在更新Windows11后系统的操作也与MacOS越来越接近了,同时Windows11自带Ubuntu子系统也支持使用Cuda,因此决定将WSL2作为主要开发环境。本文记录环境配置过程,方面以后备查。
2 Requirements
安装cuda环境之前需要先安装基本环境,主要包括:
- Windows11
- Ubuntu18.04
- WSL2
- Anaconda
- Python3.7
3 Environment configuration
3.1 驱动安装
安装地址:https://www.nvidia.cn/Download/index.aspx?lang=cn
选择对应型号->查找->下载->安装
注意:驱动安装在Windows系统上。
3.2 查看PyTorch官方安装信息
地址:https://pytorch.org/get-started/locally/
截止于2022年8月5日,官方安装信息最高支持CUDA11.6,记下备用。
3.3 安装cuda-toolkit
安装地址:https://developer.nvidia.com/cuda-toolkit-archive
选择相应cuda版本,点击选择环境信息。
注意:选择Linux以及WSL-Ubuntu选项
获取安装代码,按步骤在Ubuntu系统中执行。
3.4 安装PyTorch
同3.2,选择相应版本获取安装代码在Ubuntu系统中执行。
注意:作者选择conda安装未成功,选择pip安装后可用。
Conclusion
安装成功后就可以使用cuda跑深度学习模型了,但是实测配备RTX A3000 12G显卡的移动工作站使用Cuda训练深度学习模型并没有比CPU快很多。