动手学习深度学习全纪录

记录全过程

前言：折腾了一天终于折腾完了。

wsl2 链接到代理

为什么要连接？因为下载anaconda实在是太慢了。。

首先是wsl2 搭载 windows代理，如何让wsl2 能够跟windows一样可以访问google呢？通过资料的收集，查找到以下解决方法。

将下列内容添加到.bashrc文件中

host_ip=$(cat /etc/resolv.conf | grep nameserver | awk '{print $2}')
export http_proxy="http://$host_ip:7890"
export https_proxy="http://$host_ip:7890"

然后启动生效

1	source ~/.bashrc

这样就能链接到网络了，这样下载镜像不至于很慢。另外思考 wsl 跟本机是如何连接的？看了相关资料，发现相当于一个局域网。我们可以打开clxxh的允许局域网连接就行，，这样同时允许多个接入。

即使你电脑代理关了，但是wsl2还是可以连接到的，所以没事。

成果图：

配置相关环境

昨天是用的wsl + docker 思来想去还是太麻烦，打算用李沐老师说的第二种方法。nvidia + conda

第二种应该是最方便的，第一个和第三个老师都给了很详细的说明，第二个可以按需分配。

我们首先先下载anaconda ，同时也参考了这个视频。手把手配置。

但是你用外国的源，不用国内的源，你不开代理下载巨慢，或者你可以找找清华源，然后下载镜像。

下载好之后通过一下命令来安装

1	sh Anaconda3-2022.10-Linux-x86_64.sh

然后无脑ok 之后按yes 回车确认安装。

然后安装在默认路径。安装好之后就可以参考官网安装对应的包了。参考网站在这里：动手学习

首先我们先创建虚拟环境。

1	conda create --name d2l python= 3.9 -y

创建好之后，激活环境

1	conda activate d2l

接下来我们就可以安装相对应的包了。

根据视频教程，是直接执行下面的步骤的，

我最开始装了很成功，然后安装jupyter lab 等等，可以成功跑起来，但是跑第七章用gpu跑，发现不太成功。

还以为没有安装gpu的版本。但是后面测试发现是可以用gpu的。不太懂我又删除环境，重新安装。后面才知道显卡不行，直接爆显存了。。这都是后话了。

于是我又开始折腾，通过自己查找资料，去学习。发现要安装带gpu的版本，要带cudatoolkit 这种，由于我的驱动是11.5版本的，但是官网最低貌似是11.8。我只好下载之前的版本，history。

利用这个指令来安装相关工具包

1 2	# CUDA 11.3 conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=11.3 -c pytorch -c conda-forge

发出类似的警告：

后面加了啥配置，需要他灵活解决，可惜这里忘记记录了。在conda找到所需要的包之后就会给你一个安装列表，然后确定安装即可。

安装完之后我们可以看 cuda 是否可以使用gpu

进入虚拟环境然后打开python 输入下列指令

import torch

print("PyTorch版本:", torch.__version__)
print("CUDA版本:", torch.version.cuda)
print("CUDA是否可用:", torch.cuda.is_available())

if torch.cuda.is_available():
    print("CUDA设备数:", torch.cuda.device_count())
    print("当前CUDA设备:", torch.cuda.current_device())
    print("CUDA设备名称:", torch.cuda.get_device_name(torch.cuda.current_device()))

经过测试可行

PyTorch版本: 2.3.1
CUDA版本: 11.5
CUDA是否可用: True
CUDA设备数: 1
当前CUDA设备: 0
CUDA设备名称: NVIDIA GeForce GTX 1050

import torch

# 检查是否有可用的 GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")

# 创建两个张量并将它们移动到 GPU
a = torch.randn(3, 3, device=device)
b = torch.randn(3, 3, device=device)

# 在 GPU 上进行张量运算
c = a + b
print("Tensor a:")
print(a)
print("Tensor b:")
print(b)
print("Result of a + b:")
print(c)

# 将结果移动回 CPU（如果需要）
c_cpu = c.to("cpu")
print("Result on CPU:")
print(c_cpu)