前言#
大三の授業を予習するために、PyTorch を事前に学びたいと思いました。
そこで、素晴らしい学習教材《動手学深度学习》に出会い、これを参考に環境設定を完了しました。大先輩たちの無私の奉仕に感謝します Thanks♪(･ω･)ﾉ
このチュートリアルでは、独立した Windows コンピュータで WSL Ubuntu サブシステムを使用して PyTorch 深層学習の環境設定を行う方法を示します。なぜ WSL を使用するかというと、自分でテストした結果、パフォーマンスが Windows よりもはるかに優れていることがわかったからです。限られたスペースのため、WSL のインストールプロセスは省略します。
インストール#
デバイス：#
Windows11: WSL-Ubuntu-22.04
1660ti-6g 独立 GPU
Miniconda のインストール#
Miniconda 公式サイトから wget を使用して対応する Linux バージョンをダウンロードします。
wget https://repo.anaconda.com/miniconda/Miniconda3-py310_23.3.1-0-Linux-x86_64.sh
sh コマンドでデフォルトインストールします。
sh Miniconda3-py310_23.3.1-0-Linux-x86_64.sh -b
環境を初期化します。
~/miniconda3/bin/conda init
このターミナルを閉じて、新しいターミナルを開くように指示されます。
新しい環境を作成します。名前は d2l に変更可能です。
conda create --name d2l python=3.9 -y
環境を起動します。
conda activate d2l
毎回実行する際にはこのコマンドを実行し、d2l 環境に切り替える必要があります。
現在の環境を終了するには：conda deactivate。
dalという名前の環境を完全に削除するには：conda remove -n d2l --all
CUDA のインストール#
CUDA(公式サイト)は NVIDIA 公式の深層学習ツールキットで、画像は WSL のオプションです。ダウンロードコードを実行します。
wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda-repo-wsl-ubuntu-12-1-local_12.1.1-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-12-1-local_12.1.1-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-12-1-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda
追加が完了したら、~/.bashrcファイルを更新する必要があります。
sudo vi ~/.bashrc
iで挿入モードに入り、以下のコードをファイルの最後に追加します。対応するバージョンに変更することに注意してください。
export PATH=/usr/local/cuda-12.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64\
${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
Esc, :wqを押して、Enter で保存します。
source ~/.bashrc
以下のコードを実行し、出力が画像のようであれば CUDA のインストールが成功しています。
nvcc -V
PyTorch フレームワークのインストール#
GPU バージョンはPyTorch 公式サイトで選択する必要があります。私がダウンロードしたのは Preview バージョンで、ちょうど CUDA12.1 に適合していますが、下位互換性も良好です。
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch-nightly -c nvidia
d2l パッケージをダウンロードします。
pip install d2l==0.17.6
GPU テスト#
テストファイルをクローンします。
git clone https://github.com/pytorch/examples.git
cd example_pytorch/mnist/
main.pyファイルの内容を以下のように置き換えます：
from __future__ import print_function
import argparse
import torch
import time
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, 1)
self.conv2 = nn.Conv2d(32, 64, 3, 1)
self.dropout1 = nn.Dropout(0.25)
self.dropout2 = nn.Dropout(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = self.conv1(x)
x = F.relu(x)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
x = self.fc1(x)
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1)
return output
def train(args, model, device, train_loader, optimizer, epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % args.log_interval == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
if args.dry_run:
break
def test(model, device, test_loader):
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
data, target = data.to(device), target.to(device)
output = model(data)
test_loss += F.nll_loss(output, target, reduction='sum').item() # sum up batch loss
pred = output.argmax(dim=1, keepdim=True) # get the index of the max log-probability
correct += pred.eq(target.view_as(pred)).sum().item()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
def main():
# トレーニング設定
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='トレーニング用の入力バッチサイズ (デフォルト: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='テスト用の入力バッチサイズ (デフォルト: 1000)')
parser.add_argument('--epochs', type=int, default=14, metavar='N',
help='トレーニングするエポック数 (デフォルト: 14)')
parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
help='学習率 (デフォルト: 1.0)')
parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
help='学習率ステップのガンマ (デフォルト: 0.7)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='CUDAトレーニングを無効にします')
parser.add_argument('--no-mps', action='store_true', default=False,
help='macOS GPUトレーニングを無効にします')
parser.add_argument('--dry-run', action='store_true', default=False,
help='単一パスを迅速にチェックします')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='ランダムシード (デフォルト: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='トレーニング状態をログに記録する前に待つバッチ数')
parser.add_argument('--save-model', action='store_true', default=False,
help='現在のモデルを保存するため')
args = parser.parse_args()
use_cuda = not args.no_cuda and torch.cuda.is_available()
use_mps = not args.no_mps and torch.backends.mps.is_available()
torch.manual_seed(args.seed)
if use_cuda:
device = torch.device("cuda")
elif use_mps:
device = torch.device("mps")
else:
device = torch.device("cpu")
train_kwargs = {'batch_size': args.batch_size}
test_kwargs = {'batch_size': args.test_batch_size}
if use_cuda:
cuda_kwargs = {'num_workers': 5, #スレッド数
'pin_memory': True,
'shuffle': True}
train_kwargs.update(cuda_kwargs)
test_kwargs.update(cuda_kwargs)
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
dataset1 = datasets.MNIST('../data', train=True, download=True,
transform=transform)
dataset2 = datasets.MNIST('../data', train=False,
transform=transform)
train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)
model = Net().to(device)
optimizer = optim.Adadelta(model.parameters(), lr=args.lr)
scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
start_time = time.time()
for epoch in range(1, args.epochs + 1):
train(args, model, device, train_loader, optimizer, epoch)
test(model, device, test_loader)
scheduler.step()
end_time = time.time()
total_time = end_time - start_time
print(f"合計時間: {total_time:.2f} 秒。")
if args.save_model:
torch.save(model.state_dict(), "mnist_cnn.pt")
if __name__ == '__main__':
main()
ここでは 5 スレッドを使用していますが、自分で変更可能です。
対応するモードで速度を測定します。設定によっては CPU と GPU の実行コードが逆になることがあります。
$ python main.py #CPUモード
$ CUDA_VISIBLE_DEVICES=2 python main.py #GPUモード
テストコードの出典と参考：
pytorch/examples - github
深層学習：Windows11 VS WSL2 VS Ubuntu 性能比較、pytorch2.0 性能テスト！
完了！#
これで環境設定が完了しました。私は引き続き《動手学深度学习》に従います。
mkdir d2l-zh && cd d2l-zh
curl https://zh-v2.d2l.ai/d2l-zh-2.0.0.zip -o d2l-zh.zip
unzip d2l-zh.zip && rm d2l-zh.zip
cd pytorch
。。。。。