你好！欢迎来到本教程，我们将一步一步教你如何在Azure虚拟机上搭建一个强大的GPU PyTorch环境，以便进行深度学习任务。在这个教程中，我们将涵盖以下主题：
1. 引言
在深度学习和机器学习中，GPU是必不可少的工具，它可以大大加速训练过程。在Azure虚拟机上搭建GPU PyTorch环境可以让你利用云计算的强大性能来进行深度学习任务，而不必购买昂贵的硬件。
2. 想定的硬件和操作系统环境
在开始之前，让我们先了解一下我们的想定硬件和操作系统环境：
- 虚拟机型号：Standard_NC4as_T4_v3
- 操作系统：Ubuntu 20.04 x64 Gen2
- GPU：NVIDIA Tesla T4
- CUDA版本：11.6
请注意，本教程中的步骤是针对上述硬件和环境进行的，如果你的环境不同，可能需要做一些调整。
3. 使用之前检查GPU信息
在开始安装之前，让我们首先检查一下你的GPU信息，确保你的虚拟机中有NVIDIA GPU。
$ lspci | grep -i nvidia如果一切正常，你应该会看到类似以下的输出：
0001:00:00.0 3D controller: NVIDIA Corporation TU104GL [Tesla T4] (rev a1)接下来，我们可以检查当前系统中是否已经安装了NVIDIA驱动和CUDA。
$ dpkg -l | grep nvidia
$ dpkg -l | grep cuda如果已经安装了其他版本的驱动或CUDA，我们将在后面的步骤中进行卸载。
4. 卸载现有的CUDA和NVIDIA驱动
为了避免版本冲突，我们需要卸载当前系统中可能存在的CUDA和NVIDIA驱动。
$ sudo apt-get --purge remove nvidia-*
$ sudo apt-get --purge remove cuda-*这将卸载系统中的所有NVIDIA驱动和CUDA版本。
5. 安装NVIDIA驱动
接下来，我们将安装适用于我们的GPU的NVIDIA驱动。首先，让我们查找适合的驱动版本。
$ sudo apt install ubuntu-drivers-common
$ sudo ubuntu-drivers devices从输出中，找到标记为“recommended”的NVIDIA驱动版本，例如“nvidia-driver-525”，然后进行安装。
$ sudo add-apt-repository ppa:graphics-drivers/ppa
$ sudo apt update
$ sudo apt install nvidia-driver-525完成安装后，重新启动虚拟机。
$ sudo reboot重新登录后，你可以使用以下命令来验证NVIDIA驱动是否成功安装。
$ nvidia-smi如果一切正常，你将看到与你的GPU相关的信息。
6. 安装CUDA
现在，让我们安装CUDA，这是深度学习中必不可少的库。首先，我们需要从NVIDIA官网获取适合我们的CUDA安装命令。选择正确的CUDA版本和操作系统，然后执行以下命令。
$ wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
$ sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600
$ wget https://developer.download.nvidia.com/compute/cuda/11.6.0/local_installers/cuda-repo-ubuntu2004-11-6-local_11.6.0-510.39.01-1_amd64.deb
$ sudo dpkg -i cuda-repo-ubuntu2004-11-6-local_11.6.0-510.39.01-1_amd64.deb
$ sudo apt-key add /var/cuda-repo-ubuntu2004-11-6-local/7fa2af80.pub
$ sudo apt-get update
$ sudo apt-get -y install cuda-11-6完成安装后，需要将CUDA的路径添加到环境变量中。编辑你的.bashrc文件并添加以下行：
export PATH="/usr/local/cuda/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda/lib64:$LD_LIBRARY_PATH"然后使用以下命令使更改生效：
$ source ~/.bashrc7. 安装cuDNN
cuDNN是一个用于深度学习的GPU加速库，让我们来安装它。首先，你需要从NVIDIA官方网站下载cuDNN的安装包。你需要注册并登录以获取下载权限。
下载完安装包后，将它传输到你的虚拟机上，然后执行以下步骤：
$ sudo dpkg -i cudnn-local-repo-ubuntu2004-8.7.0.84_1.0-1_amd64.deb
$ sudo cp /var/cudnn-local-repo-ubuntu2004-8.7.0.84/cudnn-local-A3837CDF-keyring.gpg /usr/share/keyrings/
$ cd /var/cudnn-local-repo-ubuntu2004-8.7.0.84/
$ sudo dpkg -i libcudnn8_8.7.0.84-1+cuda11.8_amd64.deb
$ sudo dpkg -i libcudnn8-dev_8.7.0.84-1+cuda11.8_amd64.deb
$ sudo dpkg -i libcudnn8-samples_8.7.0.84-1+cuda11.8_amd64.deb请确保按照上述顺序执行所有
步骤，以防止出现错误。
8. 验证cuDNN
现在，让我们验证cuDNN是否已经成功安装。首先，重新启动你的虚拟机以确保所有更改生效。
$ sudo reboot再次登录虚拟机并激活之前创建的conda环境（如果你使用的是conda）。
$ conda activate torch接下来，运行Python并执行以下命令来验证cuDNN：
import torch
torch.cuda.is_available() # 检查CUDA是否可用
torch.cuda.device_count() # 查看可用的GPU数量如果一切正常，你将看到CUDA可用，并且你的GPU数量。
9. 安装PyTorch
最后，让我们安装PyTorch，这是深度学习的核心库之一。你可以根据你的需求选择不同的PyTorch版本和安装命令。你可以在PyTorch官方网站上获取适合你的版本和命令。
执行以下命令来安装PyTorch（请注意，这是一个示例命令，你应该根据你的需求选择正确的版本）：
$ pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu11610. 结束语
恭喜你，你已经成功在Azure虚拟机上搭建了一个强大的GPU PyTorch环境！现在你可以开始进行深度学习任务了。请记住，本教程中的步骤是根据特定硬件和环境定制的，如果你的环境有所不同，可能需要做一些适应性调整。
希望这个教程对你有所帮助，祝你在深度学习的旅程中取得成功！
微信扫一扫 
