在WSL2啟用cuda進行深度學習嘗鮮

在做深度學習相關實驗時，我一般會直接在本機 linux 環境下進行，因為我需要基於 cuda 來啟用 gpu 運算。考慮到經常還要遷移到面向客戶pc機的智慧型服務，所以我偶爾也會選擇在 windows 上進行。在 windows 10 中自從有了 wsl，我的選擇是使用 wsl 遠端連線高效能伺服器，這樣才能保持研發體驗的一致性，我特別期望能擺脫這樣的麻煩，如果能在windows 10 本地切換乙個 linux系統又能使用 cuda 就好了，幸運的訊息是，最新的 windows 10 的更新推出 wsl2 對 cuda 的支援，我迫不及待地做了一下基準測試，想比較一下不同環境的效能表現。

我選擇的幾個系統環境是這樣：

主要硬體配置是這樣：

測試用的深度學習模型我使用的是最經典的mnist，我比較熟悉pytorch所以**我採用了這個示例倉庫，我修改了部分**如下，讓網路模型更大以獲得更準確的讀數。

class
net(nn.module):
def__init__
(self):
super(net, self).
__init__
() self.conv1 = nn.conv2d(1, 128, 3, 1)
self.conv2 = nn.conv2d(128, 128, 3, 1)
self.conv3 = nn.conv2d(128, 128, 3, 1)
self.dropout1 = nn.dropout2d(0.25)
self.dropout2 = nn.dropout2d(0.5)
self.fc1 = nn.linear(15488, 15488//2)
self.fc2 = nn.linear(15488//2, 10)
defforward(self, x):
x =self.conv1(x)
x =f.relu(x)
x =self.conv2(x)
x =f.relu(x)
x =self.conv3(x)
x =f.relu(x)
x = f.max_pool2d(x, 2)
x =self.dropout1(x)
x = torch.flatten(x, 1)
x =self.fc1(x)
x =f.relu(x)
x =self.dropout2(x)
x =self.fc2(x)
output = f.log_softmax(x, dim=1)
return output

其中batch size我設為512，epochs設為14，以precision為fp32執行，結果對比如下：

哈哈，老實說結果還湊合！wsl2 在啟用 cuda 支援後比本機 ubuntu 環境下多消耗了18%，要知道這是在 nvidia rtx 2080 ti 上訓練模型。目前 wsl2 對 cuda 的支援仍處於早期預覽模式，期待各路工程師、研究員大神們，以及微軟和 nvidia 再打磨下，盡快達到接近本機 ubuntu 效能的水平。如果對訓練時長消耗特別嚴格的研究（比如海量影象、語料）來說，多花18%是很難接受的，但對我來說，訓練樣本資料都還比較小，一般也就到2g差不多了，所以我可以稍稍犧牲下作業系統層面的效能，採用非同步訓練來彌補一下，畢竟我換來的是能用 windows 10 和 wsl2 作為我的主研發環境，不用多系統或者遠端linux系統來回切換了。

在WSL2啟用cuda進行深度學習嘗鮮

WSL 2 使用說明

在Windows 10上安裝WSL2

如何使用WSL2在Windows上執行Podman

在WSL2啟用cuda進行深度學習嘗鮮

WSL 2 使用說明

在Windows 10上安裝WSL2

如何使用WSL2在Windows上執行Podman

相關推薦