深度学习（深度学习中的GPU与CUDA）
对应视频教程：https://www.bilibili.com/video/BV1S5411X7FY/
1. 显卡（GPU）与驱动
显卡 ，也称之为 GPU 。GPU 的全称是 Graphics Processing Unit（图形处理单元） 。它出现的目的一目了然 ，就是用来显示图像的 。没错 ，就是用来在电脑显示器上显示图像的 。
大家其实只要知道我们的电脑都有显卡这一点就行了 。但我们在深度学习中说的显卡（GPU）一般特指是英伟达（NVIDIA）品牌的显卡 ，这个我们后面慢慢来说 。
除了显卡这个概念之外 ，还有个概念是驱动 。驱动 ，相信大家都不陌生 。我们有的时候给电脑配备一些设备的时候 ，有可能需要安装对应的驱动 ，这些设备才能正常运行 。
驱动 ，就是能够让计算机正确识别一些外设（设备） 。
显卡 ，就是外部设备 。所以 ，我们需要安装对应的驱动 ，这样计算机才能够正确识别对应的显卡 ，并充分利用显卡的能力 。
大家可以看到 ，上面这张图中 ，底部的显卡 、鼠标 、声卡之类的就是我们的外部设备 ，是个实打实的硬件 ，看得见摸得着的东西 。中间的 Operating System 就是我们用的操作系统（Windows ，Mac ，Linux） ，可以理解为就是我们的电脑 。在 Operating System 和 底部的硬件之间 ，有个 Device Driver ，这个就是我们上面讲到的驱动 。只有我们在电脑上安装对应的驱动 ，我们电脑才能正确识别这些实打实的硬件 。2. 显卡与CUDA
在深度学习中 ，我们常说的显卡 ，只是指英伟达（NVIDIA）品牌的显卡 。其它品牌的显卡暂时还不行哦 。
至于为什么呢？这都是因为英伟达（NVIDIA）以前的一个英明的决定 。英伟达（NVIDIA）开发了一个开发平台 ，名叫CUDA 。开发者/程序员可以使用这个CUDA开发平台来充分利用英伟达的显卡 ，可以利用这个CUDA平台 ，让一部分计算可以在GPU上进行 。
后来 ，随着显卡的计算能力得到不到提升 ，很多程序尝试使用CUDA平台来进行计算 。然后大家发现 ，哎呀 ，效果真不错 。
在开发深度学习库（PyTorch, Tensorflow等）的时候 ，开发者如果想让深度学习运算放在GPU上运行 ，自然而然就想到了CUDA这个平台 。所以 ，几乎所有的深度学习库都需要英伟达的显卡 。
但随着一些神经网络芯片的出现 ，比如 Apple M系列芯片的出现 ，相信深度学习库会支持越来越多的能够加速神经网络运算的芯片 。
3. 如何查看自己的显卡
在Windows平台上 ，查看自己的显卡 ，其实并不难 。大家只需要找到 任务管理器 或者 设备管理器 ，然后进行查看就行了 。
对于 任务管理器 ，找到 性能 选项卡 ，然后点击其中的GPU ，之后就会在旁边的右上角显示对应的显卡名称 。
就像下面这张图 ，显示这台计算机上的GPU型号为NVIDIA GeForce GTX 1060 ，其中带有NVIDIA字眼 ，说明是英伟达品牌的显卡 。那我们就可以安装GPU版本的PyTorch ，GPU版本的PyTorch可以加速神经网络的训练和运算过程 。
如果大家有英伟达（NVIDIA）品牌的显卡 ，大家在安装的时候 ，记得选择GPU版本的PyTorch ，充分利用自己的显卡性能来进行深度学习的学习 。
如果看到性能选项卡中GPU型号没有NVIDIA字眼 ，就说明电脑上没有英伟达品牌的显卡 ，就像下面这张图一样 。
这张图中 ，GPU的型号为 Intel® UHD Graphics 750 ，所以不是英伟达品牌的显卡 。那大家在后续安装PyTorch的时候 ，需要选择CPU版本的PyTorch 。
CPU版本的PyTorch并不影响学习哦！！！
在设备管理器中的显示适配器中也可以看到自己电脑的显卡型号 。
如果大家确信自己的电脑有对应的显卡 ，但是在 任务管理器 和 设备管理器 中没有看到 ，说不定是因为没有安装驱动或者是没有安装正确 。所以无法在 任务管理器 和 设备管理器 中看到 。这个时候 ，就得去借助各种驱动软件 。
就像下面这样 ，驱动软件中的主显卡中显示了NVIDIA显卡 ，但是在任务管理器中没有对应的显卡 ，这种情况可以利用驱动软件安装或者修复驱动就行了 。但这种情况出现的概率还是很低的 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！