Entrainement ML accéléré par GPU

Windows ML graphic

Cette documentation traite de la configuration des scénarios d’entraînement d’apprentissage automatique (ML) accélérés par le GPU pour les Sous-système Windows pour Linux (WSL) et Windows natifs.

Cette fonctionnalité prend en charge les scénarios professionnels et débutants. Vous trouverez ci-dessous des pointeurs vers des guides pas à pas sur la manière de configurer de votre système en fonction de votre niveau d’expertise en ML, de votre fournisseur GPU et de la bibliothèque de logiciels que vous envisagez d’utiliser.

NVIDIA CUDA dans WSL

Si vous êtes un scientifique des données professionnel qui utilise un environnement Linux natif au quotidien pour le développement et l’expérimentation en ML de la boucle interne, et que vous disposez d’un GPU NVIDIA, nous vous recommandons de configurer NVIDIA CUDA dans WSL.

TensorFlow avec des exemples DirectML

Si vous êtes un étudiant, un débutant ou un professionnel qui utilise TensorFlow et que vous recherchez un framework qui fonctionne sur l’étendue des GPU compatibles DirectX 12, nous vous recommandons de configurer le package TensorFlow avec DirectML . Ce package accélère les flux de travail sur les GPU AMD, Intel et NVIDIA.

Si vous êtes plus familier avec un environnement Linux natif, nous vous recommandons d’exécuter TensorFlow avec DirectML dans WSL.

Si vous êtes plus familier avec Windows, nous vous recommandons d’exécuter TensorFlow avec DirectML sur Windows natif.

PyTorch avec DirectML

Si vous êtes un étudiant, un débutant ou un professionnel qui utilise PyTorch et que vous recherchez un framework qui fonctionne sur l’étendue des GPU compatibles DirectX 12, nous vous recommandons de configurer le package PyTorch avec DirectML . Ce package accélère les flux de travail sur les GPU AMD, Intel et NVIDIA.

Si vous êtes plus familier avec un environnement Linux natif, nous vous recommandons d’exécuter PyTorch avec DirectML dans WSL.

Si vous êtes plus familier avec Windows, nous vous recommandons d’exécuter PyTorch avec DirectML sur Windows natif.

Étapes suivantes