安装 🛠

快速开始

在 Gitpod 中打开项目，并立即开始编码。

Docker

CPUGPU

# 0. 安装 Docker
# 1. 运行 DQN 算法
docker run --rm sdpkjc/abcdrl python abcdrl/dqn_torch.py

# 0. 安装 Docker & Nvidia Drive & NVIDIA Container Toolkit
# 1. 运行 DQN 算法
docker run --rm --gpus all sdpkjc/abcdrl python abcdrl/dqn_torch.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 Docker 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。

如果您的设备仅支持 CUDA11.3-11.6，可以使用 sdpkjc/abcdrl:cu113 镜像。更老的 CUDA 版本我们不再提供官方镜像，可以参考我们的 Dockerfile 进行调整构建您自己的镜像。

Pip

CPUGPU with PyTorchGPU with TensorFlow2

# 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_torch.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_torch.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。

# 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
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
# 4. 安装依赖
pip install -r requirements/requirements-tf.txt
# 5. 运行 DQN 算法
python abcdrl/dqn_tf.py

Ref

TensorFlow 官方指南

---

最后更新: 2023-02-21