Windows下安装配置CUDA
Windows下安装配置CUDA，过程并不复杂，也就是CUDA和cudnn这俩组件。
具体步骤如下：
PyTorch
Windows10使用一周感受
最近几年基本上都是在用Mac，已经习惯了macOS的操作方式，也享受了它简洁、专注的桌面环境所带来的高效。最近在想，如果我换工作了，新公司不给配Mac，那就只能用Windows，我能不能习惯呢？
所以就用了一周左右的Windows10，版本是最新的22H2，谈谈感受吧。
macOS下安装运行PyTorch及速度测试
macOS下安装运行PyTorch及速度测试。
PyTorch支持多种平台，包括Linux/Windows/macOS，甚至支持Android和iOS，今天只讲macOS。
如果你的macOS上已安装Python3，直接使用pip3命令安装PyTorch即可。
Mac Mini M1性能测试
近期对Mac Mini M1版本做了个性能测试。
环境
1. 本地：Docker运行在Mac Mini 2018 i5-8500B下，分配 3C6G内存；
2. M1 ：Mac Mini M1 8C16G内存，运行在AWS mac2.metal 专用主机上；
3. Google Colab：CPU和GPU实例，显卡Tesla K80/T4
测试项目主要有以下几项
PyTorch官方支持Apple Silicon GPU加速了
PyTorch官方于2022.05.18发博文称，在即将到来的1.12版中支持Apple Silicon GPU加速，M1系列的所有处理器都将得到支持。
当前可以安装Preview(Nightly)版，具体参见官方博文 https://pytorch.org/blog/introducing-accelerated-pytorch-training-on-mac/
PyTorch图片识别注意点
PyTorch图片识别注意点
1. 图片尺寸要统一；
2. 图片格式要统一，全部jpg或全部png，不然Tensor维度不一样会报错；
3. `NeuralNetwork`的第一个`nn.Linear`函数，第一个参数要与图片尺寸保持一致，不然会报错 mat1 and mat2 shapes cannot be multiplied；
4. `NeuralNetwork`的最后一个`nn.Linear`函数，第二个参数要与分类的个数保持一致，不然会报错`target2 is out of bound`；
Google Colab怎么免费使用GPU实例
Google Colab默认使用的是CPU训练，Xeon双核的，性能较弱，也有免费的GPU和TPU实例可以选，怎么使用呢？
如果要更改运行时类型，依次点击菜单栏`代码执行程序`->`更改运行时类型`，硬件加速器改为GPU。TPU实例对免费用户来说几乎不可用。
改完之后重新运行代码即可。
查看所使用的GPU
PyTorch第一个图片识别模型
仿照PyTorch官网的衣服的例子自己写了个图片识别模型，算是自己的第一个PyTorch模型，记录下过程。
一路踩坑是免不了的。
自定义Dataset
官网给出的`CustomImageDataset`的代码大体可用，需要根据自己的图片存入路径和csv文件格式稍做修改。
PyTorch开发运行部署
PyTorch开发运行部署。
本地
Docker下的
1. Python 3
2. JupyterLab
PyTorch基础
PyTorch的基础使用有以下几点。
1. Tensor
2. Dataset & DataLoader
3. Transform