写在前面

最近一个朋友自己组了一台机器，双Tesla P4 N卡，我准备尝试学习一下配置PyTorch的机器学习环境。主要是之前都是自己的笔记本的游戏显卡，没碰到过这种型号，而且还是双卡，这就更得研究研究环境配置了。

环境

系统：ubuntu 22.04

显卡：Tesla P4 * 2

首先，对于N卡，肯定要先配置N卡驱动。先看一下机器上的显卡

lspci | grep -i nvidia

可以看到是两张Tesla P4卡，这个单卡是8G的显存，根据英伟达的官方数据对比计算能力在6.1 参考：developer.nvidia.com/cuda-gpus

相对来说性价比还是不错的，知名云厂商GPU云服务器对应的价格应该是4k+/月。而我朋友组装的成本价远低于这个月租金，且CPU和内存配置还远超于它。

有点跑题了......继续

不同型号的卡驱动也不同，我们通过这个命令来让ubuntu自己推荐驱动

ubuntu-drivers devices

找到有recommended标记的，就是它了

sudo ubuntu-drivers autoinstall

通过ubuntu-drivers工具自动安装

随后需要reboot重启一下服务器即可

输入nvidia-smi来查看显卡情况

nvidia-smi

至此配套的显卡驱动装好了，记住这个CUDA版本信息。

刚刚咱们的CUDA版本信息是11.4，目前官方给出11.x版本最新的是11.8，官网链接：pytorch.org/

经过查询，CUDA是支持向下兼容的

我这个装的驱动版本号是470，所以直接使用11.8是没问题的

这就简单了，直接复制该命令安装即可。

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

随后打开python3，执行

import torch
print(torch.cuda.is_available())
print(torch.cuda.device_count())

至此，torch配置完毕

这里简单提一嘴，如果想使用多卡同时调用，需要使用DataParallel方法即可，这是单机多卡的适用方法

model = Model()
model = torch.nn.DataParallel(model)
model.to('cuda')

这样就会自动的将模型分配到所有可用的GPU上了。