最近随着Midjourney和ChatGPT爆火之后，人工智能，深度学习又开始了新的一波学习浪潮。很多同学在学习深度学习的过程中，苦于没有好的实验环境，半路退场，实在可惜。
我这里整理了两种搭建深度学习实验环境的方法，希望对大家能有所帮助！
使用免费GPU云主机
实际上，国际上以Google为首的一些大企业，他们知道搭建自己的深度学习环境，不仅成本高而且难度也大，因此为学生和小白们准备了一些免费的GPU云主机，专门供大家学习使用。这些企业真是 业界良心，为这些企业点赞！！！
下面我们就来看看如何在Google云上申请一台免费的GPU云主机。
首先，众所周知的原因，你需要有能够访问外网的能力。这一步是逃不过去的。
之后，你需要在Google云上注册一个账户，同时绑定信用卡。
以上两步可能是大多数同学申请免费GPU云主机的最大障碍，没办法，免费也是有代价的：）
当上述两步完成后，接下来你就可以申请免费GPU云主机了。打开Google的Colab，之后你应该可以看到下面的界面
有可能你的界面不是中文的而是英文，这没关系只要能进入到这个界面，你就可以申请CPU云主机了。
进入到该界面后，首先在右侧的欢迎页面中选中一段代码，之后点击图中红线框出来的项 “代码执行程序”。
在弹出的下拉框中选择 “更改运行时类型”，如下图所示：
紧接着，在弹出的窗口中选择 “GPU”，这样你就拥有了一台带GPU的云主机。
现在让我们来看看Google有没有给我们分配好GPU，分配的GPU又是哪种型号吧！
首先我们在Colab中点击右侧的“+代码”，如下图所示：
在代码框中输入如下代码：
1 | import torch |
之后点击运行，如果看到下面的结果，说明GPU已经分配好了。
另外，如果你想知道Google结你分配的GPU型号，可以使用下面的命令查看
1 | !nvidia-smi |
从上图你可以知道，Google给我分配的GPU是Tesla T4，这块GPU性能还是蛮不错的。该云主机安装的Nvidia Driver版本是 525.85.12，CUDA版本是 12.0。
Goole免费可以申请的GPU主要有三种型号，分别是
1 | P100 > T4 > K80 |
其中 P100的性能与 RTX3090Ti差不多。
如果你觉得Goole给你分配的GPU性能不够，那你还可以申请Pro，每月只要 $9.9，还是蛮便宜的。
如果你觉得在Google上申请免费的GPU太麻烦，也可以自己搭建深度学习环境，下面我再介绍一下如何在自己的主机上搭建环境。
搭建自己的深度学习环境
要搭建自己的深度学习环境，你首先要有一台“超级计算机”，最主要的是配一块高端显卡，比如RTX4090、RTX3090TI或RTX3090。配置这样一台主机价格不菲，少说要3W左右。
我配置的就是RTX3090，性价比还是蛮高的。当然Nvidia还有很多低端显卡，但我不建议购买这些低端显卡，一方面容易买到矿卡（二手卡）；另一方面这些卡性能不够，做深度学习训练时会很慢。
机子配置好了，接下来我们看看如何搭建深度学习环境！
首先是操作系统，搭建深度学习环境最好使用Ubuntu系统，很多资料都是以Ubuntu系统为基础讲解的。
当然用Windows环境搭建也没任何问题，我这里就是在Windows系统上安装的。因此，这里我只介绍在Windows下如何搭建深度学习环境，想在Ubuntu下搭建环境的同学可以自己在网上查找资料。
Windows下搭建深度学习环境的步骤如下：
首先，安装Nvidia GPU驱动，你可以从这里下载你与操作系统、显卡匹配的Driver。下载好后双击安装即可。
之后，安装Anaconda。该工具主要是为了管理多个Python开发环境，你可以从这里下载Anaconda。同样将该包下载好后，双击安装即可。
紧接着，我们就可以使用Anaconda来创建自己的Python环境了。创建环境的命令如下：
1 | conda create -n ml_env |
通过上述命令，我们就创建了一个名为ml_env的python的开发环境。
接下来，我们可以使用Anaconda安装pytorch、CUDA等包。你可以到pytorch的官网上查看最近的pytorch版本，地址如下：https://pytorch.org/get-started/locally/
并根据自己的实际情况做选择要装哪些包，我的选择如下：
当选择好pytorch版本，操作系统等信息后，它会给你提供一条安装相关包的指令，即
1 | conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia |
在执行该执令之前，我们需要将前面创建好的环境名加上，这样可以让这些包只做用于我们刚创建的环境中，如下：
1 | conda install -n ml_env pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia |
最后使用conda activate ml_env激活环境即可。
至此，我们自己的深度学习环境就算搭建好了。
发果你不想用这个环境了，可以调用conda deactivate来返激活python环境。
小结
这里我提供了两种深度学习的开发环境，其中第一种是免费的，难点是你要有访问外网的能力并绑定一张信用卡。这种方法虽然省去了买主机的钱，但绑定信用卡也是很多同学所不愿意的。
第二种方式是自己购买主机搭建环境，这种方式的最大问题是购买主机的花费太大，对于学生来说，真的很难承受。
