Set up DL machine配置深度学习环境 - Ray

配置深度学习环境

背景介绍

最近为了项目需要,自己配置了一台入门级的深度学习主机,配置为13代i5-13400F+4080,接下来讲一下自己的踩坑经历和心得,希望能帮助后来人减少弯路,也当作为备忘录,以备将来再次配置环境需要.

主系统: Windows 11 Pro 22H2
WSL2子系统: Linux Ubuntu 22.04.3 LTS

重点提示

• 只需要在主系统安装NVIDIA driver:
  Once a Windows NVIDIA GPU driver is installed on the system, CUDA becomes available within WSL 2. The CUDA driver installed on Windows host will be stubbed inside the WSL 2 as lib cuda. so, therefore users must not install any NVIDIA GPU Linux driver within WSL2,不要再在wsl中重复安装驱动！
• CUDA Toolkit: 在安装CUDA版本前,先考虑自己的显卡型号和自己要用的开发框架(比如torch)所适配的CUDA版本,太新的CUDA版本可能会导致其他开发平台没有合适的版本,安装后用nvcc -V检查当前安装的版本,nvidia-smi显示的是支持的最高版本,并不是本机版本,如果安装错了可参照本篇文章重装
• 尽早安装conda,提早管理不同的环境(pytorch, CUDA等等),避免后续出现版本冲突.
• WSL安装位置不要装在C盘!占用大量空间,后续迁移见此文章,Docker和conda也不要在C盘装,后患无穷!

  软件使用注意事项

• 最新版本的anaconda移除了用来激活环境的conda activate XXX的指令,改用source activate,
• anaconda中有环境嵌套的问题,需要多次conda deactivate
• 安装某些包的时候优先conda,如果无效或者搜索不到source,再用pip