利用心跳做信号，还能「揪出」造假模型

注：如果你没有从正确的环境启动 Jupyter Notebook，就可能会遇到一些错误。例如，如果你想使用 tensorflow 环境，你可以从 base 环境启动 notebook，然后将核改到 tensorflow 环境，但我在这样操作时遇到过报错。因此，如果你要运行 TensorFlow，就在 tensorflow 环境里启动 Notebook；如果你要运行 PyTorch，就在 torch 环境中启动 Notebook。不要从 base 或其它地方启动。

我的个人经验和替代方法

我一直使用这套配置完成一些轻量级的深度学习工作，反正这套本地硬件足够了。现在几周过去了，一切都还不错。但是，在此之前我还尝试过其它一些方法，也出现过一些严重问题。

比如有一次我尝试了这里的方法：https://developer.nvidia.com/cuda/wsl，其中涉及在 WSL（Windows Subsystem for Linux）中启用 CUDA 和英伟达驱动以便使用 GPU 来进行深度学习训练。目前这个功能还在预览阶段，但一旦官方发布，必将为深度学习实践者带来重大影响。这能将让人惊喜的 WSL 与 CUDA/GPU 驱动结合到一起。

不过这是有条件的。要想使用这一功能，你必须参与 Windows Insider Program 项目。当然，根据我的经历，内部预览版往往有很多漏洞。我在使用时遇到过很多问题，包括所有 Windows 应用不再响应、GSOD（绿屏死机）错误、未正确启动、驱动故障。我个人不喜欢不稳定的环境，所以选择退出只是时间问题。

你有可能在使用预览版时不会遇到任何问题，只不过我的经历太糟了，所以不推荐使用预览版。

其它替代选择包括完全不使用 Windows，只使用基于 Linux 的系统，享受更加流畅的体验。只不过 Linux 没有 Windows 中那样花哨的 GUI 安装工具。
 

在 Python prompt 中验证 TensorFlow 的安装情况。

你在 Python prompt 中使用 TensorFlow 时可能会看到这样的信息：「Opened Dynamic Library」，但这并不是坏消息。这只是一条日志消息，说明 TensorFlow 可以打开这些软件库。

GPU 上的安装情况验证将在下文中介绍。

如果要安装仅使用 CPU 的 TensorFlow，你需要对安装命令进行简单的修改。

这将会安装没有 CUDA 工具包和 GPU 支持的 TensorFlow。

安装 PyTorch

安装 PyTorch 的过程与安装 TensorFlow 其实没太大差异。conda 让这一切都变得非常简单。

首先，进入我们创建的 torch 环境。

如果你想安装支持 CUDA 的 PyTorch，使用以下命令：

该命令会通过 Conda 的 PyTorch 通道安装兼容 CUDA 的 PyTorch。

至于仅使用 CPU 的 PyTorch，只需从以上命令中移除 cudatookit 即可：

这会安装无 CUDA 支持的 PyTorch。

和之前一样，你可以使用 conda list 验证安装情况，也可使用以下代码在 Python 上执行验证。

如果返回版本号，则说明已成功安装 PyTorch。

验证安装情况

有时候，你觉得一切都很顺利，准备开始使用这些工具时却遇到了一些重大错误。如果你正好遇到了这种情况，有可能是机器的问题，也可能是流程出错了，不能一概而论，要具体问题具体分析。

为了帮助你更好地验证安装情况，并确保 TensorFlow 和 PyTorch 使用的是指定的硬件，这里分享一些笔记。

你可以在的 dl-setup-win 文件夹中找到它们。你可以克隆这些笔记然后运行其中的代码。如果返回的信息正确，你就可以放手开发了。

（编辑：保山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!