安装 🛠
Pip
# 0. 安装 Python3.8+ & Pip
# 1. 拉取代码仓库
git clone https://github.com/sdpkjc/abcdrl.git && cd abcdrl
# 2. 安装依赖
pip install -r requirements/requirements.txt
# 3. 运行 DQN 算法
python abcdrl/dqn.py
# 0. 安装 Conda & Nvidia Driver
# 1. 拉取代码仓库
git clone https://github.com/sdpkjc/abcdrl.git && cd abcdrl
# 2. 建立虚拟环境并激活
conda create -n abcdrl python=3.9 pip && conda activate abcdrl
# 3. 安装 cudatoolkit 和对应版本的 Pytorch
conda install pytorch torchvision torchaudio cudatoolkit=11.6 -c pytorch -c conda-forge
# 4. 安装依赖
pip install -r requirements/requirements.txt
# 5. 运行 DQN 算法
python abcdrl/dqn.py
Note
Pytorch 安装方法有多种可选,具体可参考视频 李沐:环境安装,BERT、GPT、T5 性能测试,和横向对比【100亿模型计划】-哔哩哔哩 。
cudatoolkit
的版本选择与 Nvidia Driver 版本相关,请参考视频教程和 Pytorch 官网安装页面。
Docker
# 0. 安装 Docker
# 1. 拉取代码仓库
git clone https://github.com/sdpkjc/abcdrl.git && cd abcdrl
# 2. 构建 docker 镜像
docker build . -t abcdrl
# 3. 运行 DQN 算法
docker run --rm abcdrl python abcdrl/dqn.py
# 0. 安装 Docker & Nvidia Drive & NVIDIA Container Toolkit
# 1. 拉取代码仓库
git clone https://github.com/sdpkjc/abcdrl.git && cd abcdrl
# 2. 构建 docker 镜像
docker build . -t abcdrl
# 3. 运行 DQN 算法
docker run --rm --gpus all abcdrl python abcdrl/dqn.py
Note
Docker 容器参数和 NVIDIA Container Toolkit 详细安装过程可参考:Nvidia Docker
Warning
使用我们提供的 Dockerfile 构建镜像并使用 GPU 训练,Nvidia Driver 需支持 CUDA11.7;
使用 nvidia-smi
命令,查看右上角的 CUDA Version: xx.x
信息,大于等于 11.7 即可。