Nota
O acesso a esta página requer autorização. Podes tentar iniciar sessão ou mudar de diretório.
O acesso a esta página requer autorização. Podes tentar mudar de diretório.
Esta documentação aborda a configuração de cenários de treinamento de aprendizado de máquina acelerado por GPU (ML) para o Subsistema Windows para Linux (WSL) e Windows nativo.
Esta funcionalidade suporta cenários profissionais e iniciantes. Abaixo, você encontrará dicas para guias passo a passo sobre como configurar seu sistema, dependendo do seu nível de experiência em ML, do fornecedor da GPU e da biblioteca de software que você pretende usar.
NVIDIA CUDA na WSL
Se você é um cientista de dados profissional que usa um ambiente Linux nativo no dia-a-dia para desenvolvimento e experimentação de ML em loop interno e tem uma GPU NVIDIA, recomendamos configurar o NVIDIA CUDA no WSL.
PyTorch com DirectML
Para usar o PyTorch com uma estrutura que funciona em toda a amplitude de GPUs compatíveis com DirectX 12, recomendamos configurar o PyTorch com o pacote DirectML . Este pacote acelera os fluxos de trabalho em GPUs AMD, Intel e NVIDIA.
Se você estiver mais familiarizado com um ambiente Linux nativo, recomendamos executar o PyTorch com DirectML dentro do WSL.
Se você estiver mais familiarizado com o Windows, recomendamos executar o PyTorch com DirectML no Windows nativo.
TensorFlow com DirectML
Importante
Este projeto foi descontinuado e não está sendo trabalhado ativamente.
Para usar o TensorFlow com uma estrutura que funcione em toda a gama de GPUs compatíveis com DirectX 12, recomendamos configurar o pacote TensorFlow com DirectML. Este pacote acelera os fluxos de trabalho em GPUs AMD, Intel e NVIDIA.