3D數(shù)據(jù)協(xié)同挖掘"

總有人一直問小象，SOLIDWORKS對電腦配置有哪些要求呀？

這不，小象整理了一份詳細(xì)關(guān)于SOLIDWORKS軟硬件配置的文章，供大家參考哦~

很多公司的信息中心和設(shè)計部門并不了解SOLIDWORKS對計算機硬件和操作系統(tǒng)的需求，也不清楚SOLIDWORKS不同模塊對計算機硬件需求的區(qū)別，經(jīng)常出現(xiàn)花大價錢購買的計算機/圖形工作站其實沒有必要。

Tips:我對蔡徐坤發(fā)誓我不是賣電腦的，不會像電腦城吆喝的人什么也不懂，只會讓你買貴的~~~~~~

一、計算機軟硬件的選擇

SOLIDWORKS 3D CAD是它最優(yōu)秀的產(chǎn)品，我們以3D CAD為例，為了使三維軟件順暢運行，需要配備與設(shè)計、計算規(guī)模相當(dāng)?shù)挠嬎銠C硬件，相關(guān)硬件對SOLIDWORKS性能的影響由大到小排序如下：

內(nèi)存＞CPU＞顯卡＞硬盤和顯示器

下面分別闡述，并在最后給出建議，你們看錢包酌情選擇。

內(nèi)存

對于復(fù)雜零部件和有限元分析而言，三維軟件對內(nèi)存的需求很大，一旦物理內(nèi)存不足，系統(tǒng)將自動啟用虛擬內(nèi)存。由于虛擬內(nèi)存位于硬盤上，所以運算效率會大大降低， 并且出錯率大大增加。以HPZ400工作站進行某次有限元分析為例，當(dāng)物理內(nèi)存耗盡，系統(tǒng)啟動虛擬內(nèi)存前后，監(jiān)控到的數(shù)據(jù)讀寫的硬錯誤率由0次/秒激增到最大900次/秒，不僅大大降低分析的效率，也為結(jié)果的可靠性帶來隱患。

（1）三維結(jié)構(gòu)設(shè)計對內(nèi)存的需求。

具體的需求跟設(shè)計產(chǎn)品復(fù)雜度和設(shè)計方法有關(guān)（初學(xué)者和專業(yè)者的區(qū)別），例如采用自下而上（Bottom-Up）設(shè)計方法，對內(nèi)存的需求如下。
4G：單一零件特征<200個，單一裝配體包含零件數(shù) <1000個。

8G：單一零件特征<1000個，單一裝配體包含零件數(shù) <10000個。

12G以上：單一零件特征>1000個，單一裝配體包含 零件數(shù)>10000個。

（2）有限元分析對內(nèi)存的需求。
對于SW Simulation（仿真）入門級分析而言，4G內(nèi)存也能滿足需求，但是對于大自由度的復(fù)雜問題，劃分網(wǎng)格、求解和結(jié)果顯示都需要更多的內(nèi)存。 例如，使用直接解算器（Direct Sparse solver）求解20萬自由度的靜態(tài)算例，最多時需要1G內(nèi)存。對于64位操作系統(tǒng)而言，4G內(nèi)存的最大極限是求解800萬自由度的算例（采用FFEPLUS結(jié)算器）。大家可以用以下方法估算求解時內(nèi)存的需求量：直接解算器，每200個自由度需要1M內(nèi)存；FFEPLUS結(jié)算器，每2000個自由度需要1M內(nèi)存，具體需求的數(shù)量根據(jù)分析類型的不同會略有不同。有限元為主要任務(wù)的計算機推薦標(biāo)準(zhǔn)配置12G或24G 內(nèi)存。
當(dāng)文檔在SOLIDWORKS中打開時，其數(shù)據(jù)就會被加載到內(nèi)存當(dāng)中，你需要足夠的內(nèi)存避免SOLIDWORKS去使用物理硬盤（虛擬內(nèi)存），內(nèi)存的速率是以MHz為單位的，對于SOLIDWORKS使用來說內(nèi)存的容量是越大越好的，主要選擇因素是根據(jù)預(yù)算來選擇，一般來說速度越高越新的內(nèi)存價格會越高。目前來說購買8-16G大小的內(nèi)存是性價比最高的選擇。如果是使用SOLIDWORKS進行大規(guī)模分析計算或者是渲染計算，我們建議同時使用ECC。

推薦：使用最小8G的DDR3或者DDR4內(nèi)存。

CPU

三維結(jié)構(gòu)設(shè)計和有限元分析對CPU的需求都比較高，CPU的主要參數(shù)是主頻和核心數(shù)量，對于SOLIDWORKS來說，主頻的重要性要高于內(nèi)核的數(shù)量。

（1）三維結(jié)構(gòu)設(shè)計對CPU的需求。

目前，SOLIDWORKS三維結(jié)構(gòu)設(shè)計的主模塊并不能完全利用雙核及以上的CPU，僅能完全利用其中一個內(nèi)核。因此，以三維結(jié)構(gòu)設(shè)計為主選配的CPU時，優(yōu)先選擇高主頻的雙核四線程CPU。如圖1所示三維結(jié)構(gòu)設(shè)計能有效利用25%的CPU 資源。如果購買配置支持雙CPU，每個CPU具備8個線程的HP Z800工作站進行三維結(jié)構(gòu)設(shè)計，您只能利用6.25%的CPU資源，那將造成資金的極大浪費。

圖1 三維建模CPU利用率截圖

SOLIDWORKS的渲染和PDM模塊可以有效的利用多核CPU，例如：選擇四核CPU，SOLIDWORKS的渲染模塊（PhotoView360） 可以同時啟用4個內(nèi)核并行運算，充分利用CPU對渲染進行加速，渲染效率比同主頻單核CPU提升近4倍，如圖2所示。

圖2 Photo View360CPU利用率截圖

三維結(jié)構(gòu)設(shè)計為主要任務(wù)的計算機推薦標(biāo)準(zhǔn)配置主頻3.0以上、雙核四線程的CPU。

（2）有限元分析對CPU的需求。

有限元分析數(shù)據(jù)計算的需求十分巨大，對CPU的要求也很高，對于SOLIDWORKSSimulation模塊而言，分析的種類和求解器不同，對CPU的利用率也不同，總體而言，選擇CPU的準(zhǔn)則還是主頻優(yōu)于內(nèi)核數(shù)量。

從SOLIDWORKS2011開始，有限元分析的網(wǎng)格劃分器也能有效的支持多核CPU，對于單實體零件的網(wǎng)格劃分而言，多核利用率不高，對于多實體零件和大型裝配體的網(wǎng)格劃分，多核的利用率相對較高一些。SOLIDWORKS Flow Simulation可以更加高效地利用多CPU或者多計算機并行計算，建議在保證主頻的情況下，增加CPU內(nèi)核數(shù)量。結(jié)構(gòu)分析、運動分析為主要任務(wù)的計算機推薦標(biāo)準(zhǔn)配置主頻3.0以上、雙核四線程的CPU。 流體分析為主要任務(wù)的計算機推薦標(biāo)準(zhǔn)配置主頻3.0以 上、四內(nèi)核以上CPU或雙CPU。

I5/I7 VS Xeon — 志強處理器（Xeon）其主要的優(yōu)勢在于對于錯誤糾正代碼緩存的支持（ECC），此功能可以糾正一些隨機的硬件錯誤并且某些超過6核心CPU在處理分析任務(wù)及處理大規(guī)模問題時可以得到更好性能。

推薦：使用高頻率的4核I5/I7CPU或者是同等級的志強處理器（Xeon）顯卡

顯卡的性能直接影響SOLIDWORKS旋轉(zhuǎn)、移動和縮放等顯示操作，如果顯卡性能不能滿足需求的話，SOLIDWORKS的部分功能將不可用，軟件的操作性體驗也會下降。有限元分析前處理對顯卡的需求相對較低一些，但是分析結(jié)果的后處理（如顯示網(wǎng)格、應(yīng)力云圖和探測器等功能）對顯卡要求相對比較高。建議選擇通過SOLIDWORKS認(rèn)證的專業(yè)顯卡。

顯卡的種類可大致分為：集成顯卡、獨立家用顯卡和專業(yè)繪圖顯卡，下面分別介紹它們的性能。

（1）集成顯卡。

集成顯卡集成在主板上，沒有專用的顯存，需要在系統(tǒng)物理內(nèi)存上劃分出一部分作為顯存使用，所以運算效率很低。集成顯卡不支持OpenGL運算，3D性能很差。對于采用集成顯卡的計算機，SOLIDWORKS會自動啟動“軟件OpenGL”，所有OpenGL運算將由CPU完成，加重了CPU負(fù)擔(dān)。SOLIDWORKS的放大鏡、SpeedPak和RealView等功能將不能使用，并且軟件容易出現(xiàn)顯示問題或者崩潰的情況。

（2）獨立家用顯卡。

獨立家用顯卡有獨立的顯存，游戲性能較好，但是僅支持部分OpenGL指令，復(fù)雜OpenGL運算指令還是需要由 CPU完成。獨立家用顯卡不支持RealView功能，部分支持 SpeedPak功能。如果簡單的三維結(jié)構(gòu)設(shè)計（裝配體零件數(shù) <1000個）或者有限元分析的話，采用獨立家用顯卡也能滿足需求。但是獨立家用顯卡不能滿足大型裝配設(shè)計和大自由度有限元分析的需求。

（3）專業(yè)繪圖顯卡。

專業(yè)繪圖顯卡支持OpenGL全集指令，顯示運算速度高，精度高，能滿足各種大型裝配設(shè)計和大自由度有限元分析的需求，建議用戶采用通過SOLIDWORKS認(rèn)證的專業(yè)圖形顯卡，具體顯卡型號可以登錄SW官網(wǎng)查詢。www.solidworks.com

（4）顯卡故障診斷。

當(dāng)經(jīng)常出現(xiàn)顯示黑塊、花屏等軟件崩潰等情況時，需要考慮是不是顯卡問題，診斷的方法如下：

點擊“開始”→ “ 程序 ” → “SOLIDWORKS” → “SOLIDWORKS工 具”→“SOLIDWORKS RX”，啟動SOLIDWORKS RX診斷工具，點擊“點擊此處以軟件OpenGL模式啟動SOLIDWORKS” 命令

啟動SOLIDWORKS后，如果故障排除，說明軟件崩潰問題在顯卡上，重新安裝官方的驅(qū)動程序或者更換顯卡就可以解決問題。 簡單零部件設(shè)計（單一零件特征<200個，單一裝配體 包含零件數(shù)<1000個）任務(wù)為主的計算機可以采用獨立家用顯卡或者入門級專業(yè)顯卡。 復(fù)雜零件、大型裝配、渲染、動畫和有限元分析等任務(wù)的計算機，推薦采用中高級專業(yè)顯卡，任務(wù)越繁重，需要顯卡的檔次越高級。

工作站級別的專業(yè)顯卡當(dāng)中SOLIDWORKS只推薦使用NVIDIA Quadro系列顯卡。由長時間的驗證包括驅(qū)動的穩(wěn)定性和性能因素，只支持和推薦使用NVIDI Quadro系列顯卡。AMD雖然也有工作站級別的專業(yè)顯卡可供選擇，但是它們無法支持SOLIDWORKSVisualize的渲染加速功能，所以推薦使用NVIDIA的專業(yè)顯卡。 （推薦推薦推薦！沒有廣告費哈，小象生怕別人說我賣電腦的，愁~）

推薦：使用NVIDIA Quadro P1000或者以上型號的顯卡。

硬盤

在計算機的硬件中，最被忽視的硬件就是硬盤。對于簡單的三維設(shè)計和分析而言，普通IDE或者SATA硬盤就可以滿足需求，但是在處理大型裝配體、復(fù)雜有限元分析、渲染和動畫過程中，需要從硬盤存取海量數(shù)據(jù)，如果硬盤的數(shù)據(jù)傳輸率很低的話，將會大大影響運算的效率。

選用硬盤時，優(yōu)先選擇7200轉(zhuǎn)以上的高速硬盤。具體到硬盤的種類，不同種類的硬盤性能也不相同，整體而言

SCSI硬盤>SAS硬盤>SATA硬盤>IDE硬盤

由于SCSI硬盤主要應(yīng)用于企業(yè)級服務(wù)器，所以，對于工作站而言，優(yōu)先選用1萬轉(zhuǎn)以上的SAS硬盤。 如果條件允許的情況下，采用RAID0以并聯(lián)磁盤陣列方式來提高硬盤的讀/寫效率。RAID0代表了所有RAID級別中最高的存儲性能。RAID 0提高存儲性能的原理是把連續(xù)的數(shù)據(jù)分散到多個磁盤上并行存取。這樣，系統(tǒng)有數(shù)據(jù)請求就可以被多個磁盤并行的執(zhí)行，每個磁盤執(zhí)行屬于它自己的那部分?jǐn)?shù)據(jù)請求。這種數(shù)據(jù)上的并行操作可以充分利 用總線的帶寬，顯著提高磁盤整體存取性能。例如，n塊硬盤以并聯(lián)方式組成RAID0磁盤陣列，磁盤的讀/寫速度可以提高n倍。

需要注意的是：RAID0磁盤陣列數(shù)據(jù)損壞的概率隨硬盤數(shù)量而倍增，所以僅用于對性能需求高于數(shù)據(jù)安全性要求的圖形工作站，不能應(yīng)用于存儲備份數(shù)據(jù)為主的服務(wù)器。

固態(tài)硬盤作為新興的存儲介質(zhì)，這幾年發(fā)展十分迅猛，讀取速度和容量提升的同時，技術(shù)也越來越成熟，它具有存取速度快的特點，但是價格較為昂貴。

建議搭配機械硬盤使用，一塊固態(tài)硬盤分成兩個分區(qū)，一個分區(qū)用于系統(tǒng)分區(qū)，一個分區(qū)用于存放準(zhǔn)備分析計算的臨時數(shù)據(jù)，機械硬盤用于存放計算完成后的數(shù)據(jù)備份。

在預(yù)算可以的情況下我們推薦至少在系統(tǒng)和SOLIDWORKS主程序位置使用固態(tài)硬盤，這樣可以使SOLIDWORKS的運行能至少提高25-30%

我懶得找表情了

推薦：1個高速的固態(tài)硬盤安裝系統(tǒng)和SOLIDWORKS程序+一個傳統(tǒng)的7200轉(zhuǎn)的機械硬盤作為存儲。

操作系統(tǒng)

從SOLIDWORKS 2015開始，SolidWorks只支持64位操作系統(tǒng)了，我們現(xiàn)在建議使用Windows 10專業(yè)版本或者企業(yè)版本。

推薦：Windows 10專業(yè)版或者企業(yè)版（64Bit）

顯示器

顯示器并不影響三維機構(gòu)設(shè)計和有限元分析的速度，但是對操作者的體驗影響比較大。對于機械類三維設(shè)計和有限元分析為主要任務(wù)的計算機而言，顯示器越大越好（廢話），其他的性能指數(shù)要求并不高（有渲染和動畫需求的除外）。

如果購買一個新的顯示器，建議選擇分辨率為1920x1080，最小尺寸為21.5寸的顯示器。

請注意如果分辨率超過1920x1080（比如4K顯示屏）會在SOLIDWORKS 2018中得到更好的顯示支持，同時如果使用更高分辨率的顯示后不建議使用小于27寸的大小。

對于筆記本來說建議使用15.6-17.3寸分辨率為1920x1080的規(guī)格。低分辨率意味著更少的繪圖區(qū)域空間和界面。對于筆記本來說我們不建議使用4K顯示屏，對于15-17寸的屏幕來說，1920x1080是最合適的顯示分辨率，可以得到最合適的界面及工具按鍵大小。

計算機硬件瓶頸的判斷

可以使用以下方法分析系統(tǒng)瓶頸，有針對性地升級計算機系統(tǒng)。
（1）在SOLIDWORKS使用過程中啟動Windows任務(wù)管理器，在性能頁，如果CPU的占用率經(jīng)常在100%，那么系統(tǒng)瓶頸就在CPU或顯卡，建議升級CPU或顯卡；如果系統(tǒng)物理內(nèi)存大部分被占用，虛擬內(nèi)存使用量又很大，操作過程中硬盤燈頻繁閃爍，這說明系統(tǒng)瓶頸在內(nèi)存，建議擴大內(nèi)存。

（2）使用SOLIDWORKS RX（性能診斷）工具測試您的計算機系統(tǒng)是否滿足SOLIDWORKS的需求，該工具得出更加詳細(xì)的診斷結(jié)果和建議。

（3）使用SOLIDWORKS工具→SOLIDWORKS性能測試工具，對計算機性能進行測試。通過對比不同計算機的測試結(jié)果，可以為選購計算機或硬件提供參考依據(jù)。

來源|達索系統(tǒng) SOLIDWORKS

今天的內(nèi)容對您有幫助嗎？

歡迎留言

何不拆機評價評價情況下鑒別macbook pro(13-15款)

1.首先看系統(tǒng)頁面，查看系統(tǒng)參數(shù)是否和蘋果官網(wǎng)頁面介紹的參數(shù)一致(包括處理器，內(nèi)存 顯卡 序列號)

2.查看本機硬件概覽頁面查看產(chǎn)品標(biāo)識符是否與官網(wǎng)的同款一致。

3 .13. 14 15款查看觸控板頁面 15款的觸控板姑姑有五個選項而13 14款只有三個選項。

4.13-15款Macbook pro每一個配置序列號后四位都不一致，具體可以百度查看。

5鑒別硬盤 正品設(shè)置里面儲存頁面設(shè)備名稱和介質(zhì)名稱必須是Apple開頭，Sata頁面有顯示信息而Nvme頁面會沒有信息。正品儲存空間只會顯示多少GB閃存，不會顯示其他信息

6.小技巧，如何區(qū)分電腦是否拆機，除了可以看螺絲之外，也可以看一下耳機孔位置是否有偏移。

是機器未來的第2篇文章，由機器未來原創(chuàng)

寫在前面：

? 博客簡介：專注AIoT領(lǐng)域，追逐未來時代的脈搏，記錄路途中的技術(shù)成長！? 專欄簡介：記錄博主從0到1掌握物體檢測工作流的過程，具備自定義物體檢測器的能力? 面向人群：具備深度學(xué)習(xí)理論基礎(chǔ)的學(xué)生或初級開發(fā)者? 專欄計劃：接下來會逐步發(fā)布跨入人工智能的系列博文，敬請期待? Python零基礎(chǔ)快速入門系列? 快速入門Python數(shù)據(jù)科學(xué)系列? 人工智能開發(fā)環(huán)境搭建系列? 機器學(xué)習(xí)系列? 物體檢測快速入門系列? 自動駕駛物體檢測系列? ......

@[toc]

1. 概述

windows GPU深度學(xué)習(xí)開發(fā)環(huán)境的安裝包含顯卡驅(qū)動、cuda、cuDNN深度學(xué)習(xí)加速包、anaconda、tensorflow的安裝以及安裝源的配置，理解了本文，還可以安裝pytorch等其他開發(fā)框架。

fengmian

2. GPU工具鏈安裝

2.1 GPU工具鏈的組成

Nvidia顯卡、顯卡驅(qū)動、cuda工具套件、cuDNN工具包四部分構(gòu)成。

目前支持深度學(xué)習(xí)的顯卡基本上就是N卡，不論是硬件性能，還是最新的論文支持基本上都是N卡，所以不用在這里糾結(jié)了，采購時一定要上N卡。

• ? 什么是cuda CUDA(ComputeUnified Device Architecture)，是顯卡廠商NVIDIA推出的運算平臺。 CUDA是一種由NVIDIA推出的通用并行計算架構(gòu)，該架構(gòu)使GPU能夠解決復(fù)雜的計算問題。注意：cuda的支持依賴顯卡驅(qū)動的版本。
• ? 什么是cuDNN NVIDIA cuDNN是用于深度神經(jīng)網(wǎng)絡(luò)的GPU加速庫。它強調(diào)性能、易用性和低內(nèi)存開銷。NVIDIA cuDNN可以集成到更高級別的機器學(xué)習(xí)框架中，如谷歌的Tensorflow、加州大學(xué)伯克利分校的流行caffe軟件。簡單的插入式設(shè)計可以讓開發(fā)人員專注于設(shè)計和實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型，而不是簡單調(diào)整性能，同時還可以在GPU上實現(xiàn)高性能現(xiàn)代并行計算。
• ? CUDA與CUDNN的關(guān)系 CUDA看作是一個并行計算架構(gòu)平臺，cuDNN是基于CUDA的深度學(xué)習(xí)GPU加速庫，有了它才能在GPU上完成深度學(xué)習(xí)的計算。想要在CUDA上運行深度神經(jīng)網(wǎng)絡(luò)，就要安裝cuDNN，這樣才能使GPU進行深度神經(jīng)網(wǎng)絡(luò)的工作，工作速度相較CPU快很多。

2.2 安裝nvidia顯卡驅(qū)動

下載地址：https://www.nvidia.com/download/index.aspx?lang=en-us

2

根據(jù)提供的下載鏈接選擇電腦對應(yīng)的最新顯卡驅(qū)動安裝即可，這里需要記錄一下顯卡驅(qū)動的版本，安裝cuda要用，我這臺老電腦顯卡驅(qū)動的文件名為425.31-notebook-win10-64bit-international-whql.exe，版本是425.31。

2.3 安裝cuda-通用并行計算架構(gòu)平臺

• ? 查詢顯卡可支持的cuda版本? 顯卡驅(qū)動cuda版本對照表? https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html根據(jù)上一個步驟下載的顯卡驅(qū)動的版本，選擇可支持的最新cuda toolkit版本，從上圖中可以看到支持425.31驅(qū)動版本的cuda toolkit版本是CUDA 10.1 (10.1.105 general release, and updates) ，因此選擇下載cuda10.1的版本。
• ? 安裝cuda? cuda下載地址：? https://developer.nvidia.com/cuda-toolkit-archive? 下載最新版本的cuda10.14? 選擇配置3? 下載完成后，文件名為cuda_10.1.243_426.00_win10.exe，雙擊一直下一步安裝即可, 默認(rèn)安裝路徑為C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1。

2.4 安裝cuDNN-深度學(xué)習(xí)GPU加速庫

• ? cuDNN下載地址（需要注冊）? https://developer.nvidia.com/rdp/cudnn-archive
• ? cuDNN版本的選擇 以tensorflow常見cuda和cuDNN搭配為主。1112下載的cuda版本為10.1版本，從列表中查找支持cuda10.1的最新的cuDNN版本是cuDNN7.6.5，下載后的cuDNN文件為cudnn-10.1-windows10-x64-v7.6.5.32.zip
• ? 安裝cuDNN? 將下載的cudnn-10.1-windows10-x64-v7.6.5.32.zip解壓，然后將解壓后cuda文件夾下的文件或文件夾，完全拷貝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1目錄下即可。6

2.5 測試GPU環(huán)境

• ? 命令提示行輸入nvidia-smi查詢GPU使用情況和更改GPU狀態(tài)的功能

PS C:\Users\zhoushimin> nvidia-smi
Mon Apr 04 22:00:37 2022
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 426.00       Driver Version: 426.00       CUDA Version: 10.1     |
|-------------------------------+----------------------+----------------------+
| GPU  Name            TCC/WDDM | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GT 650M    WDDM  | 00000000:01:00.0 N/A |                  N/A |
| N/A   36C    P0    N/A /  N/A |     40MiB /  2048MiB |     N/A      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0                    Not Supported                                       |
+-----------------------------------------------------------------------------+

如果提示'nvidia-smi' 不是內(nèi)部或外部命令，也不是可運行的程序，則可能環(huán)境變量沒有配置好，需要將 C:\Program Files\NVIDIA Corporation\NVSMI 目錄添加到系統(tǒng)環(huán)境變量中關(guān)閉命令提示符，重新打開輸入 nvidia-smi 就可以看到上面的輸出結(jié)果了。

7

• ? 查看cuda版本 輸入nvcc -V查看cuda版本

PS C:\Users\zhoushimin> nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2019 NVIDIA Corporation
Built on Sun_Jul_28_19:12:52_Pacific_Daylight_Time_2019
Cuda compilation tools, release 10.1, V10.1.243

可以看到cuda版本為10.1

• ? 查看cuDNN版本 輸入如下命令查看

type "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include\cudnn.h" | less

按回車鍵，直到輸出結(jié)果如下：

#ifndef CUDNN_VERSION_H_
#define CUDNN_VERSION_H_

#define CUDNN_MAJOR 7
#define CUDNN_MINOR 6
#define CUDNN_PATCHLEVEL 5

#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)

#endif /* CUDNN_VERSION_H */

可知cuDNN的版本為7.6.5

如果找不到相關(guān)信息，可以使用如下命令測試

type "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include\cudnn_version.h" | less

3. 安裝Anaconda

3.1 概述

Anaconda，中文大蟒蛇，是一個開源的Python發(fā)行版本，其包含了conda、Python等180多個科學(xué)包及其依賴項。其簡化了python軟件包的安裝，并且自動關(guān)聯(lián)依賴，自動下載依賴的軟件包，避免不必要的沖突，另外，anaconda最重要的功能就是創(chuàng)建虛擬環(huán)境，實現(xiàn)各種項目開發(fā)框架及版本的隔離。

3.2 下載anaconda

Anaconda的官方下載速度較慢，推薦使用清華大學(xué)的源下載，盡量選擇日期較新的版本，根據(jù)操作系統(tǒng)版本選擇對應(yīng)的版本。

• ? 官方下載地址：https://www.anaconda.com/
• ? 國內(nèi)下載地址：? 清華大學(xué) https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/8

3.3 安裝Anaconda

注意事項：不要有中文路徑，安裝過程無腦下一步即可。 安裝完畢之后，python、pip等軟件均已安裝完畢。

3.4 測試Anaconda

在命令提示符輸入conda -V查看conda版本，以確認(rèn)conda環(huán)境是否生效。

PS C:\Users\zhoushimin> conda -V
conda 4.10.3

3.5 配置Anaconda

由于Anaconda官方服務(wù)器在國外，安裝python軟件包時下載速度巨慢，因此需要配置國內(nèi)安裝源，在這里使用清華大學(xué)的第三方源。

• ? 首先找到配置文件【.condarc】，其在C盤用戶目錄下，如圖：9如果不存在，則直接創(chuàng)建即可。
• ? 打開文件后，將以下內(nèi)容拷貝到文件中

channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

• ? 清除索引緩存 在命令行執(zhí)行命令

conda clean -i

• ? 建立虛擬環(huán)境測試下載速度

conda create -n myenv numpy

測試時會發(fā)現(xiàn)下載包的速度杠杠的，測試完畢后，刪除myenv虛擬環(huán)境

conda remove -n myenv --all

• ? 恢復(fù)官方安裝源 如果使用第三方源出現(xiàn)問題，可以恢復(fù)官方安裝源重試，恢復(fù)指令如下：

conda config --remove-key channels

4. 配置pip國內(nèi)安裝源

使用pip安裝軟件包時，有些安裝包下載速度特別慢，可以選擇國內(nèi)的安裝源。

4.1 安裝源列表

以下安裝源可以選擇：

# 清華大學(xué) 
https://pypi.tuna.tsinghua.edu.cn/simple/

# 阿里云 
http://mirrors.aliyun.com/pypi/simple/

# 中國科技大學(xué) 
https://pypi.mirrors.ustc.edu.cn/simple

4.2 安裝源的使用方式

4.2.1 臨時使用

以安裝tensorflow使用阿里云安裝源為例，在-i后面指定安裝源即可

pip install tensorflow_gpu==2.3 -i http://mirrors.aliyun.com/pypi/simple/

4.2.2 永久使用

做如下配置后，無需再使用-i選項

pip install pip -U #升級 pip 到最新的版本后進行配置：
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

4.2.3 恢復(fù)官方安裝源

如果安裝源出現(xiàn)異常，恢復(fù)官方安裝源的方式如下：

pip config unset global.index-url`

5. 安裝tensorflow

5.1 創(chuàng)建tensorflow虛擬環(huán)境

為了隔離不同項目可能對應(yīng)的不同tensorflow版本或pytorch或python版本，強烈建議使用conda創(chuàng)建不同的虛擬環(huán)境以實現(xiàn)各種不同的開發(fā)環(huán)境的隔離。

我們需要根據(jù)開發(fā)框架、cuda版本等信息綜合選擇合適的開發(fā)環(huán)境，強烈不建議自行搭建開發(fā)環(huán)境適配開源框架，你會懷疑人生，時間周期可能是星期級別！

5.1.1 查看開源框架支持的python和tensorflow版本

博主的需求是安裝物體檢測API[OBJECT DETECTION API[1]]，根據(jù)項目的最低配置可以了解到支持的是tensorflow-2.2 python3.6

10

5.1.2 查看cuda可支持的tensorflow版本

- 查看cuda、tensorflow對照關(guān)系表
    - [經(jīng)過測試的構(gòu)建配置](https://tensorflow.google.cn/install/source?hl=zh-cn#gpu) 
    ![11](https://robot-futures-oss-zone.oss-cn-hangzhou.aliyuncs.com/imgs/11.png)

5.1.3 根據(jù)開源框架支持的tensorflow版本、cuda版本，選擇tensorflow-2.2，python-3.6，根據(jù)這些信息創(chuàng)建虛擬環(huán)境

conda create -n [env_name] python=[python version]

詳細(xì)命令如下：

conda create -n tensorflow-2.2-py36 python=3.6

輸出如下：

PS C:\Users\zhoushimin> conda create -n tensorflow-2.2-py36 python=3.6
Collecting package metadata (repodata.json): done
Solving environment: done==> WARNING: A newer version of conda exists. <==current version: 4.10.3
latest version: 4.12.0

Please update conda by running

$ conda update -n base -c defaults conda



## Package Plan ##

environment location: D:\Tools\Anaconda3\envs\tensorflow-2.2-py36

added / updated specs:
- python=3.6


The following packages will be downloaded:

package                    |            build
---------------------------|-----------------
certifi-2021.5.30          |   py36haa95532_0         142 KB  defaults
pip-21.2.2                 |   py36haa95532_0         2.1 MB  defaults
python-3.6.13              |       h3758d61_0        17.7 MB  defaults
setuptools-58.0.4          |   py36haa95532_0         976 KB  defaults
wincertstore-0.2           |   py36h7fe50ca_0          13 KB  defaults
------------------------------------------------------------
Total:        20.9 MB

The following NEW packages will be INSTALLED:

certifi            anaconda/pkgs/main/win-64::certifi-2021.5.30-py36haa95532_0
pip                anaconda/pkgs/main/win-64::pip-21.2.2-py36haa95532_0
python             anaconda/pkgs/main/win-64::python-3.6.13-h3758d61_0
setuptools         anaconda/pkgs/main/win-64::setuptools-58.0.4-py36haa95532_0
sqlite             anaconda/pkgs/main/win-64::sqlite-3.38.2-h2bbff1b_0
vc                 anaconda/pkgs/main/win-64::vc-14.2-h21ff451_1
vs2015_runtime     anaconda/pkgs/main/win-64::vs2015_runtime-14.27.29016-h5e58377_2
wheel              anaconda/pkgs/main/noarch::wheel-0.37.1-pyhd3eb1b0_0
wincertstore       anaconda/pkgs/main/win-64::wincertstore-0.2-py36h7fe50ca_0


Proceed ([y]/n)? y

等待執(zhí)行完畢。

5.2 切換至虛擬環(huán)境，安裝tensorflow

• ? 切換至虛擬環(huán)境

conda activate tensorflow-2.2-py36

• ? 安裝tensorflow

pip install tensorflow==2.2.0

• ? 安裝完畢后的輸出如下

Successfully built termcolor
Installing collected packages: urllib3, pyasn1, idna, charset-normalizer, zipp, typing-extensions, six, rsa, requests, pyasn1-modules, oauthlib, cachetools, requests-oauthlib, importlib-metadata, google-auth, dataclasses, werkzeug, tensorboard-plugin-wit, protobuf, numpy, markdown, grpcio, google-auth-oauthlib, absl-py, wrapt, termcolor, tensorflow-estimator, tensorboard, scipy, opt-einsum, keras-preprocessing, h5py, google-pasta, gast, astunparse, tensorflow
Successfully installed absl-py-1.0.0 astunparse-1.6.3 cachetools-4.2.4 charset-normalizer-2.0.12 dataclasses-0.8 gast-0.3.3 google-auth-1.35.0 google-auth-oauthlib-0.4.6 google-pasta-0.2.0 grpcio-1.44.0 h5py-2.10.0 idna-3.3 importlib-metadata-4.8.3 keras-preprocessing-1.1.2 markdown-3.3.6 numpy-1.19.5 oauthlib-3.2.0 opt-einsum-3.3.0 protobuf-3.19.4 pyasn1-0.4.8 pyasn1-modules-0.2.8 requests-2.27.1 requests-oauthlib-1.3.1 rsa-4.8 scipy-1.4.1 six-1.16.0 tensorboard-2.2.2 tensorboard-plugin-wit-1.8.1 tensorflow-2.2.0 tensorflow-estimator-2.2.0 termcolor-1.1.0 typing-extensions-4.1.1 urllib3-1.26.9 werkzeug-2.0.3 wrapt-1.14.0 zipp-3.6.0

5.3 測試tensorflow gpu環(huán)境

創(chuàng)建gpu_tf_test.py，拷貝如下代碼：

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import SGD

import time 

# config=tf.ConfigProto()
# config.gpu_options.allow_growth=True
# session=tf.Session(config=config)

# 啟用GPU
from tensorflow.compat.v1 import ConfigProto# tf 2.x的寫法
config=ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction=0.9
tf.compat.v1.Session(config=config)

# 構(gòu)建數(shù)據(jù)集
X_data=np.linspace(-1,1,1000)[:, np.newaxis]
noise=np.random.normal(0,0.05,X_data.shape)
y_data=np.square(X_data) + noise + 0.5

print("shape")
print(X_data.shape)

# 構(gòu)建神經(jīng)網(wǎng)絡(luò)

model=Sequential()
model.add(Dense(10, input_shape=(1,), kernel_initializer='normal', activation='relu'))
#model.add(Dense(5, activation='relu'))
# vs 分類為softmax激活
model.add(Dense(10000, kernel_initializer='normal'))
model.add(Dense(10000, kernel_initializer='normal'))
model.add(Dense(100, kernel_initializer='normal'))
model.add(Dense(1, kernel_initializer='normal'))
#sgd=SGD(lr=0.001)
model.compile(loss='mean_squared_error', optimizer="sgd") #adam
# 訓(xùn)練 epoch=10, 30, 50, view the results
start=time.time()
model.fit(X_data, y_data, epochs=50, batch_size=16, verbose=1)
end=time.time()

# 在原數(shù)據(jù)上預(yù)測
y_predict=model.predict(X_data)
#print(y_predict)
model.summary()

print("training time {}".format(end - start))

執(zhí)行測試

# 切換至虛擬環(huán)境
conda activate tensorflow-2.2-py36
# 執(zhí)行測試
python gpu_tf_test.py

輸出如下：

(tensorflow-2.2-py36) C:\Users\zhoushimin\Desktop>python gpu_test.py
2022-04-05 00:24:35.790114: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2022-04-05 00:24:39.180693: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x211ab3407a0 initialized for platform Host (this does not guarantee 
that XLA will be used). Devices:
2022-04-05 00:24:39.181152: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): Host, Default Version
2022-04-05 00:24:39.185023: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library nvcuda.dll
2022-04-05 00:24:39.957288: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1561] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: GeForce GT 650M computeCapability: 3.0
coreClock: 0.835GHz coreCount: 2 deviceMemorySize: 2.00GiB deviceMemoryBandwidth: 59.60GiB/s
2022-04-05 00:24:39.958038: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2022-04-05 00:24:39.965471: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_10.dll
2022-04-05 00:24:39.972214: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cufft64_10.dll
2022-04-05 00:24:39.975560: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library curand64_10.dll
2022-04-05 00:24:39.985029: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusolver64_10.dll
2022-04-05 00:24:39.989813: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusparse64_10.dll
2022-04-05 00:24:40.014427: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudnn64_7.dll
2022-04-05 00:24:40.016214: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1657] Ignoring visible gpu device (device: 0, name: GeForce GT 650M, pci bus id: 0000:01:00.0, compute capability: 3.0) with Cuda compute capability 3.0. The minimum required Cuda capability is 3.5.
2022-04-05 00:24:40.063972: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2022-04-05 00:24:40.064381: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]      0 
2022-04-05 00:24:40.064707: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1121] 0:   N
2022-04-05 00:24:40.068691: I tensorflow/compiler/xla/service/platform_util.cc:139] StreamExecutor cuda device (0) is of insufficient compute capability: 3.5 required, device is 3.0
2022-04-05 00:24:40.069704: I tensorflow/compiler/jit/xla_gpu_device.cc:161] Ignoring visible XLA_GPU_JIT device. Device number is 0, reason: Internal: no supported devices found for platform CUDA
shape
(1000, 1)
2022-04-05 00:24:40.099506: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1561] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: GeForce GT 650M computeCapability: 3.0
coreClock: 0.835GHz coreCount: 2 deviceMemorySize: 2.00GiB deviceMemoryBandwidth: 59.60GiB/s
2022-04-05 00:24:40.100197: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2022-04-05 00:24:40.100541: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_10.dll
2022-04-05 00:24:40.100821: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cufft64_10.dll
2022-04-05 00:24:40.101140: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library curand64_10.dll
2022-04-05 00:24:40.101432: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusolver64_10.dll
2022-04-05 00:24:40.101674: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusparse64_10.dll
2022-04-05 00:24:40.101915: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudnn64_7.dll
2022-04-05 00:24:40.103257: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1657] Ignoring visible gpu device (device: 0, name: GeForce GT 650M, pci bus id: 0000:01:00.0, compute capability: 3.0) with Cuda compute capability 3.0. The minimum required Cuda capability is 3.5.
2022-04-05 00:24:40.104045: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2022-04-05 00:24:40.104239: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]
2022-04-05 00:24:40.139180: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
2022-04-05 00:24:41.717374: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
2022-04-05 00:24:41.799759: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
Epoch 1/50
2022-04-05 00:24:42.666531: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
2022-04-05 00:24:42.841301: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
63/63 [==============================] - 36s 567ms/step - loss: 0.2708
Epoch 2/50
63/63 [==============================] - 35s 559ms/step - loss: 0.0703
Epoch 3/50
63/63 [==============================] - 39s 614ms/step - loss: 0.0350
Epoch 4/50
63/63 [==============================] - 41s 643ms/step - loss: 0.0140
Epoch 5/50
63/63 [==============================] - 41s 650ms/step - loss: 0.0144
Epoch 6/50
30/63 [=============>................] - ETA: 21s - loss: 0.0091

從日志中可以看到顯卡GeForce GT 650M已經(jīng)加載成功了，cuda也加載成功了，因為GPU性能較弱，僅3.0，不滿足最小要求3.5，直接使用的cpu在運行。

6. 總結(jié)

總體來說，深度學(xué)習(xí)安裝環(huán)境的安裝還是比較麻煩的，涉及到

• ? 顯卡支持的cuda版本確定? 依賴新卡驅(qū)動版本號
• ? cuDNN版本的確認(rèn)? 依賴cuda版本和開發(fā)框架匹配的cuDNN版本
• ? python版本的確認(rèn)等? 依賴開源項目支持的版本

一般來說，一個項目一個環(huán)境，避免環(huán)境沖突。一個項目一個環(huán)境可以通過anaconda來實現(xiàn)，也可以使用docker來實現(xiàn)隔離。有一些框架在windows平臺支持不好，例如目標(biāo)檢測框架MMDetection，盡可能還是使用linux環(huán)境來做開發(fā)。

以上是我的學(xué)習(xí)總結(jié)，有問題歡迎交流。

參考鏈接：

• ? CUDA與cuDNN：https://www.jianshu.com/p/622f47f94784[2]

推薦閱讀：

• ? 物體檢測快速入門系列(1)-Windows部署GPU深度學(xué)習(xí)開發(fā)環(huán)境
• ? 物體檢測快速入門系列(2)-Windows部署Docker GPU深度學(xué)習(xí)開發(fā)環(huán)境
• ? 物體檢測快速入門系列(3)-TensorFlow 2.x Object Detection API快速安裝手冊
• ? 物體檢測快速入門系列(4)-基于Tensorflow2.x Object Detection API構(gòu)建自定義物體檢測器

引用鏈接

[1] OBJECT DETECTION API: https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2.md
[2] CUDA與cuDNN：https://www.jianshu.com/p/622f47f94784: https://www.jianshu.com/p/622f47f94784