Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
In deze documentatie wordt beschreven hoe u trainingsscenario's voor GPU versnelde machine learning (ML) instelt voor het Windows-subsysteem voor Linux (WSL) en systeemeigen Windows.
Deze functionaliteit ondersteunt zowel professionele als beginnersscenario's. Hieronder vindt u stapsgewijze handleidingen voor het instellen van uw systeem, afhankelijk van uw expertise in ML, uw GPU-leverancier en de softwarebibliotheek die u wilt gebruiken.
NVIDIA CUDA in WSL
Als u een professionele data scientist bent die dagelijks een systeemeigen Linux-omgeving gebruikt voor ml-ontwikkeling en experimenten in de interne lus en u een NVIDIA GPU hebt, raden we u aan NVIDIA CUDA in WSL in te stellen.
PyTorch met DirectML
Als u PyTorch wilt gebruiken met een framework dat in de breedte van directX 12 compatibele GPU's werkt, raden we u aan om het PyTorch-pakket met DirectML in te stellen. Dit pakket versnelt werkstromen op AMD, Intel en NVIDIA GPU's.
Als u meer vertrouwd bent met een systeemeigen Linux-omgeving, raden we u aan PyTorch met DirectML in WSL uit te voeren.
Als u bekend bent met Windows, raden we u aan PyTorch met DirectML uit te voeren op systeemeigen Windows.
TensorFlow met DirectML
Belangrijk
Dit project wordt nu stopgezet en wordt niet actief aan gewerkt.
Als u TensorFlow wilt gebruiken met een framework dat in de breedte van directX 12 compatibele GPU's werkt, raden we u aan het TensorFlow-pakket in te stellen met DirectML-pakket. Dit pakket versnelt werkstromen op AMD, Intel en NVIDIA GPU's.