Win10+MX250+CUDA10.1+cuDNN+Pytorch1.4安装+测试全过程(吐血)

最近疫情很严重，很多地方不让出门，很多人也都害怕被传染，包括我，咱一学生也出不了太多力，老老实实在家呆着不添乱就是最好的贡献。但是在家呆着实在无聊，学校又延迟开学，想在家做一些深度学习项目练练手（新手上路，大神勿喷哈哈哈），但是无法连上学校实验室服务器，笔记本CPU跑个demo都费劲。我这一想，笔记本不是还有个鸡肋的MX250吗？很好奇MX250和CPU哪个跑更快一点？于是乎就开始了一波操作。。。

1、配置和模块

1. CPU == i7-10710U
2. RAM 16GB
3. GPU == MX250 显存2GB
4. CUDA10.1
5. cudnn-10.1-windows10-x64-v7.6.5.32
6. PyTorch1.4

2、安装CUDA和cuDNN

CUDA

首先需要确定计算机是否有独立显卡，可以在设备管理器-设备显示器下查看，如果有NVIDIA字样的设备就是拥有独立显卡。

确定有独立显卡之后，还需要确定自己的显卡是否支持CUDA。可以到NVIDIA官网查看是否支持，我是在电脑上的NVIDIA控制面板-系统信息-组件处查询的。

可以看到，MX250是支持CUDA的。接下来就是到此处下载相应版本的CUDA。
我下载的版本是CUDA10.1。

等一顿下载完后就可以进行安装了。 安装会先解压文件到临时目录，这个目录不是安装目录，所以保持默认即可。解压完成后会进入正式安装界面，如下图
因为安装时没有截图，所以在网上找了10.0版本的截图，都是一样的，感谢原作者。
在安装时推荐选择自定义安装，如果电脑安装有VS2017，在选项时建议取消Visual Studio Integration选项，如下图
之后选择自己的安装路径，默认是安装到C盘，你也可以安装到自己指定的位置，但是要记住位置，添加环境变量时要用，我就是安装到D盘D:\NVIDIA GPU Computing Toolkit\CUDA10.1目录下。安装完毕后确认系统变量是否存在以下两个路径 。
将以下目录添加到环境变量中。

完成后，可以通过CMD输入nvcc -V测试是否安装成功。

可以看到，咱安装成功了！如果没有返回该信息，可能是安装失败，自行查找原因或者重装。。。

cuDNN

安装完CUDA之后就是安装cuDNN了。点击这里下载与CUDA对应版本的cuDNN。如果你是第一次使用，网站会要求你注册一个账号，很快就完事了。之后就可以下载了。因为我的CUDA是10.1，所以我下载的是以下版本：

下载完后进行解压，得到以下文件，

将以上文件夹内的文件复制到安装CUDA所在的对应目录下即可。

3、安装PyTorch

安装Anaconda

如果电脑里没有安装python，建议先安装Anaconda，十分方便，直接网上搜官网，或者清华镜像，下载很快。我使用的是Anaconda3-5.2.0版本。安装好后将目录添加到环境变量即可。

Conda安装PyTorch

到pytorch官网选择相应版本的pytorch,复制网站的下载命令，打开Prompt，黏贴
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch即可下载。
这是官网推荐的默认下载方式，由于某些众所周知的原因，国内下载很慢甚至会失败，所以建议采用清华镜像。在conda下运行以下命令设置从清华镜像源下载。

# 添加Anaconda的清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
# 设置搜索时显示通道地址
config --set show_channel_urls yes 

设置完成后再运行

conda install pytorch torchvision cudatoolkit=10.1

注意，这里没有-c pytorch。
之后就是等待下载安装。安装完成后，打开CMD，进入python，输入以下命令

import torch
torch.cuda.is_availabe()

返回True，则说明安装成功，能够使用GPU加速啦！！！

4、模型测试

既然能够使用GPU加速了，那就用个模型来实验一下吧！LeNet作为最经典的网络之一，简单又实用，先拿它来看看效果怎么样。

基于LeNet测试速度

LeNet作为最经典的网络之一，具体结构大家应该都很熟悉，我就不仔细讲解了，数据集采用的是cifar-10，直接上结果。
首先是CPU跑的速度：平均速度17S左右。

好像速度还挺快的，用GPU跑会快多少呢？
来看看MX250的威力吧！！！

Emm…11S左右好像并没有快多少…
难道MX250真的这么辣鸡吗？？容我再试试。。

基于自定义网络测试速度

为了试一试250到底有几斤几两，我自己写了一个更大的网络（没有什么严谨的研究依据，就自己随便写的结构），由6个卷积块，每个卷积块由1个卷积层、1个BN层和ReLU组成，1个全连接层，3个池化层和3个dropout组成。具体如下：


这个模型比LeNet要复杂不少，应该能有一些区分度了吧？
先康康CPU跑的结果吧！

CPU已经是满负载运行了，平均速度在560S/epoch左右，这个相对复杂的模型竟然要这么“久”，有点慢了，顶不住了。

再康康GPU的情况吧：

我去，平均63S左右，竟然快了9倍，很惊喜了！但是为什么LeNet的效果才差这么一点？？是 因为LeNet模型太简单还是别的什么问题？请大神指教。

5、总结

经过一下午的折腾，最终在我这小新Pro13上实现了GPU加速神经网络训练的小目标（虽然加速有限，但是打发了无聊，学到了技术，美滋滋）。经过实验对比发现，MX250在这两个小网络上相比于i7-10710U还是有相当可观的加速效果的。如果假期无聊，没有好的GPU，又想尝试GPU加速的小伙伴可以试一试哈！（还是实验室的GPU香啊！[滑稽]）

6、参考

https://blog.csdn.net/Mind_programmonkey/article/details/99688839
https://blog.csdn.net/kan2281123066/article/details/93789303