相关参数

torch.backends.cudnn.enabled
torch.backends.cudnn.benchmark
torch.backends.cudnn.deterministic

• torch.backends.cudnn.benchmark
  • True：将会让程序在开始时花费一点额外时间，为整个网络的每个卷积层搜索最适合它的卷积实现算法，进而实现网络的加速。适用场景是网络结构固定（不是动态变化的），网络的输入形状（包括 batch size，图片大小，输入的通道）是不变的
    • 只对卷积层做优化？
    • Loss 输入变化是否会受到影响？
  • False：不做优化（默认是False）
• torch.backends.cudnn.enabled
  只要有cuda/cudnn，pytorch会默认开启cuda/cudnn后端
  只要尺寸固定，就可以通过启发式的思想去搜索一个合适的算法。
  要将PyTorch后端设置为cuDNN，你需要满足以下条件：
  1. 安装合适版本的NVIDIA驱动程序：确保你的计算机上安装了适用于你的GPU的最新NVIDIA驱动程序。
  2. 安装CUDA：下载并安装与你的GPU和操作系统兼容的CUDA版本。你可以从NVIDIA官方网站上获取CUDA的安装包。
  3. 安装cuDNN：下载并安装与你的CUDA版本兼容的cuDNN。你需要注册为NVIDIA开发者才能访问cuDNN的下载页面。
     一旦你完成了上述安装步骤，PyTorch将自动检测并使用CUDA和cuDNN作为后端。你可以通过以下代码验证是否成功设置了cuDNN作为PyTorch后端：

import torch
print(torch.backends.cudnn.enabled)

如果输出结果为True，则表示cuDNN已成功设置为PyTorch的后端。这意味着PyTorch将利用cuDNN加速深度神经网络的计算。

2. 额外知识
   卷积的实现算法
   • 多层循环，滑动窗计算
   • GEMM (General Matrix Multiply)
   • Winograd 算法
     特点：每种算法会有一些独特的优势。