本文主要内容：

• 硬件参考（哪里省钱，哪里不要省）
• Win10+RTX4090深度学习环境配置
• Mac远程联机Windows（ssh、APP）

这两天买了一张RTX4090的显卡，就在以前的主机上安装和配置了一下，把过程记录下来，有需要的人可以参考一下，先上一个成品图：

Part1硬件

主机是2020年买的，可以根据需要买更高配的。 本次要更换的就是红框中的三个，显卡、内存、电源，其他的都还能用。

1硬件该怎么选？

这个我朋友也给了我很多的参考建议，包括各个硬件都换一遍如何选，也参考了知乎@良睦路程序员^[1]的回答。

为了不花冤枉钱还能达到目标，我就换了这三个

想换4090 24G显卡，电源肯定要跟上（换成了1000w以上），内存原来16G也是短板，这次换成32G的。机箱能放得下显卡（长度要注意）

这里也收集了一些显卡的参数对比，仅供参考。 涡轮卡一些参数： 公版卡参数（难买到）：

2如何买？

显卡毕竟很贵，最担心是买到矿卡，我朋友建议的品牌：影驰、技嘉、微星，不着急可以等活动省大几百块。

不要去二手店、组装店之类的，很可能会买到二手卡。

同一品牌下的同一款卡，还会配不同套装，比如水冷、RGB灯之类的，根据自己喜好和预算选一个即可。

Part2深度学习环境配置

我们拆机组装好后【如果不知道如何装机，自行搜视频看哈】，就开始安装一些软件了。

• 如何看显卡安装成功？

在设备管理器中可以查看：

3显卡驱动安装：

要在Windows上使用4090做模型训练，一方面要下载显卡驱动^[2]：https://www.nvidia.cn/geforce/drivers/，另外要训练神经网络我们要安装CUDAtoolkit和cuDNN。

如图： 根据自己的系统和显卡型号搜索一下即可。

经验告诉我不要使用最新的版本，dddd(懂的都懂)。4090显卡需要“驱动程序版本: 526.98 - 发行日期: 2022-11-16”及以上。

下载后，根据推荐一路点下去安装。不用管界面显示哪个路径，那个是临时的，最终会自动删除，并最终安装在默认路径：

C盘的 NVIDIA Corporation
C盘的 NVIDIA GPU Computing Toolkit

这时候，可以打开终端（win + R 快捷键），输入cmd，终端输入 nvidia-smi 查看：

这里哪怕是12.x版本也没事，我们可以使用conda管理我们的项目环境，只需要那里的cudatoolkit和cudnn版本一致即可。原因下文有解释。

4cudatoolkit和cudnn 安装

也可以单独再下载 11.8版本的cudatoolkit^[3]和对应的cuDNN^[4]： https://developer.nvidia.com/cuda-toolkit-archive

https://developer.nvidia.com/rdp/cudnn-download

一路点击安装即可。

cuDNN的下载需要注册，挺麻烦，11.8版本的我上传到网盘了，文末可以获取连接哈。

下载后解压，对应目录的文件，复制到刚刚安装cuda toolkit同名文件夹下即可。

• 在终端输入 nvcc -V

如果没有正常显示，可以查看系统环境变量：

**win+i快捷键** 打开配置，
依次点击"系统"、"关于"、"高级系统设置"就能打开系统属性，
在“高级”下点击“环境变量N”，
在系统变量中找到path并双击。 

以下如果没有就添加：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp

• nvcc版本和nvidia-smi 版本不一致： 虽然nvcc 是11.8版本，nvidia-smi显示的是12版本，并不冲突，因为：

nvcc 属于CUDA的编译器，将程序编译成可执行的二进制文件，nvidia-smi 全称是 NVIDIA System Management Interface ，是一种命令行工具，帮助管理和监控NVIDIA GPU设备的。

nvcc是与CUDA Toolkit一起安装的CUDA compiler-driver tool，它只知道自身构建时的CUDA runtime版本，并不知道安装了什么版本的GPU driver。

5conda环境管理

Python项目环境依赖的版本让人很不好搞，对于不同cuda版本依赖，我们可以使用conda创建新环境，并安装对应的版本。 之前也写了一篇conda环境管理的文章。

conda install  -c conda-forge cudatoolkit=11.8
conda install -c conda-forge cudnn

conda会自动给匹配合适的对应版本。

哪怕本机部署Docker镜像，根据版本拉取hub中的镜像即可，例如：

docker pull pytorch/pytorch:1.13.1-cuda11.6-cudnn8-runtime

Part3Mac 远程连接

Mac上可以远程ssh登录Win电脑，也可以使用相关软件，我用的Microsoft Remote Desktop，国内的APP store可能不可以下载，我这里放在了网盘，见文末。

这样，主机打开，不需要额外显示器，而且可以Mac OS 和Windows系统无缝切换。

1、安装 openssh 可以通过系统设置安装：

https://learn.microsoft.com/zh-cn/windows-server/administration/openssh/openssh_install_firstuse?source=recommendations

也可以通过powerShell安装。

Windows系统左下角的系统按钮，右键找到“命令提示符（管理员）”，全程需要管理员权限的哦。

# 安装OpenSSH客户端
Add-WindowsCapability -Online -Name OpenSSH.Client~~~~0.0.1.0
 
#安装OpenSSH服务端
Add-WindowsCapability -Online -Name OpenSSH.Server~~~~0.0.1.0

验证是否安装成功： 输入

Get-WindowsCapability -Online | ? Name -like 'OpenSSH*'

返回installed状态即可：

2、启动SSH服务器

# 启动sshd服务
Start-Service sshd
 
# 将sshd服务设置为自动启动，若不设置需要在每次重启后重新开启sshd
Set-Service -Name sshd -StartupType 'Automatic'
 
# 确认防火墙规则，一般在安装时会配置好
Get-NetFirewallRule -Name *ssh*
 
# 若安装时未添加防火墙规则"OpenSSH-Server-In-TCP"，则通过以下命令添加
New-NetFirewallRule -Name sshd -DisplayName 'OpenSSH Server (sshd)' -Enabled True -Direction Inbound -Protocol TCP -Action Allow -LocalPort 22

3、开启密钥登录

ssh-keygen -t ed25519

如果走默认就一直回车，也可以自己定义路径和文件名，默认在： C:\Users\你的用户名.ssh\id_ed25519 对应的还有个公钥 id_ed25519.pub

我的这里加了个后缀，和其他文件区分开来。

我们将公钥.pub文件复制放到Mac系统下 .ssh文件下

• SSH登录：

在Windows电脑的命令行中输入 ipconfig 查看 ipv4地址 在Mac终端输入：

ssh win用户名@刚刚查看的ip地址

在终端操作需要熟悉Windows中的一些命令。

• APP登录： Microsoft Remote Desktop

软件和本次的驱动、cuda我都上传到网盘了。从网盘下载安装即可。

登录界面：

配置也简单： 在“add user account”中添加Windows主机的登录账密，保存下次就直接点击链接了。

6其他连接方式：

如开头显示，我用了投影仪显示主机内容，一个投影仪和一个显示器也差不多的价格，但投影仪联网还能看视频看电影（家庭影院），屏幕和电视都是固定大小的屏幕。

一根HDMI线，一头连接投影仪，一头连接显卡上的HDMI口就可以了，投影界面的设置中，将信号源切换为HDMI即可。

END

本次分享就到这里了，Windows环境下基于RTX4090显卡安装深度学习环境的基本流程，Mac远程连接Windows主机、投影仪连接主机的相关图文教程。

所有文件的百度云盘链接： https://pan.baidu.com/s/17dqV0vD-Il3zxmKZDk4zcg?pwd=zcrn

需要的自取哈~

参考资料

[1]

知乎@良睦路程序员: https://www.zhihu.com/question/586361676/answer/2913703371

[2]

显卡驱动: https://www.nvidia.cn/geforce/drivers/

[3]

cudatoolkit: https://developer.nvidia.com/cuda-toolkit-archive

[4]

cuDNN: https://developer.nvidia.com/rdp/cudnn-download