4、深度学习与PyTorch：硬件、软件及预训练模型指南

深度学习与PyTorch：硬件、软件及预训练模型指南

1. 硬件和软件要求

在深度学习的实践中，硬件和软件的配置至关重要。以下是详细的要求说明：

1.1 硬件需求

• 日常使用 ：运行预训练网络或对其进行小部分微调，普通笔记本或个人电脑即可胜任。
• 高级训练 ：完成部分高级示例的完整训练，建议使用具备CUDA功能的GPU。默认参数假定GPU拥有8GB的RAM，如NVIDIA GTX 1070或更高级别。若硬件RAM不足，参数可进行调整。虽然没有GPU也能完成训练，但GPU能将训练时间至少缩短一个数量级，通常快40 - 50倍。
• 多GPU加速 ：在配备优质GPU的工作站上，中等规模网络在大型真实数据集上从头开始训练可能需要数小时到数天。使用同一台机器上的多个GPU，甚至多台配备多个GPU的机器集群，可进一步缩短训练时间。云计算提供商的服务让这些配置更易实现，DAWNBench（https://dawn.cs.stanford.edu/benchmark/index.html）提供了常见深度学习任务在公开数据集上的训练时间和云计算成本基准。
• 磁盘空间 ：部分项目对磁盘空间有较高要求，如癌症检测项目，原始数据下载约需60GB，解压后约需120GB，训练时因数据缓存还需额外80GB，建议使用本地SSD存储数据以加快检索速度。

1.2 软件需求

• 操作系统