Linux的开源基因，相比Windows和Mac有众多优势

目前操作系统市场上基本就三家: Linux, Windows和Mac。而Linux相比其他两家，最核心和最根本的不同，就是开源。(Linux的发明者, Linus的一句名言： Talk is cheap, Show me the code. 翻译过来就是：废话少说，放码过来。)

简单说, GNU/Linux上的所有软件，源代码都是赤裸裸展现给用户的，而不是一个黑盒。开源性，使得全球码农研究、贡献代码贡献给Linux，带来的好处就是：

高度稳定, 即使在低成本硬件上，也高度稳定。以我个人为例, 公司8G内存的笔记本，我用windows收邮件，每次启动卡的要死。最近自动更新失败，失败重试，再失败，再还原，重启个三四次，才能进入桌面。交给IT同事，最后给的结论是重装系统。而用Linux, 一如既往的稳定。
终端工具，解放双手，使得执行效率提升。举个例子, windows中鼠标点来点去，而linux中就是命令敲来敲去。前者不能复制，后者写个脚本，方便复制，甚至自动调度，可以每天每个固定时刻运行对应的程序。再比如, 一个apt命令，就可以安装、升级一个或一些列软件包。而不是想Windows 一样，每次都要手动下载，手动点击。
服务器市场，Linux主导。免费、稳定，使得Linux在服务器市场份额巨大。
社区支持。很多开发软件，tensorflow，torch，docker等，很多都是先支持Linux, 后期再考虑的windows的。

单机深度学习开发环境依赖于GPU, Linux配置速度极快

深度学习的网络中，各种矩阵运算，动不动就上千维的大矩阵运算，而 Nvidia的GPU能加速这些运算, 在卷积神经网络上的相比CPU能带来10倍甚至更高的速度提升。想想，训练一个网络，用CPU训练用30天，而用GPU只需2-3 天。现阶段的深度学习个人开发环境，严重依赖GPU。

目前深度学习两大阵营，Google的Tensorflow和facebook的pytorch。 pytorch自带cuda, 相对简单些，但google的tensorflow安装就底层硬件GPU 的配置环境，需要安装驱动、CUDA、加速库cudnn。以windows为例，安装这些软件，没那么简单，各种依赖关系，有人耗时几天，也不一定能搞定。而用Linux, 拷贝几个命令，分分钟能搞定。

最新Tensorflow 2.0的官网安装要求:

The following NVIDIA® software must be installed on your system:
NVIDIA® GPU drivers —CUDA 10.0 requires 410.x or higher.
CUDA® Toolkit —TensorFlow supports CUDA 10.0 (TensorFlow >= 1.13.0)
CUPTI ships with the CUDA Toolkit.
cuDNN SDK (>= 7.4.1)
(Optional) TensorRT 5.0 to improve latency and throughput for inference on some models.

官网的安装步骤，以Ubuntu 18.04 (CUDA 10)为例: 复制以下几个命令，安装就能完成:

对于Windows的安装说明，原文如下:

Windows setup
See the hardware requirements and software requirements listed above. Read the CUDA® install guide for Windows.
Make sure the installed NVIDIA software packages match the versions listed above. In particular, TensorFlow will not load without the cuDNN64_7.dll file. To use a different version, see the Windows build from source guide.

简单总结下，请看英伟达的官方CUDA Windows安装指南。（google工程师的言外之意, 可能是: 情况太复杂了, 你们还是找英伟达吧）

多机服务器环境配置，稳定性、免费性的Linux优势更突出

GPU价格不便宜，对于公司来说，每个人配置GPU不现实，也不经济，维护、使用效率也不高。配置GPU的服务器开发和生产环境是必选。每个深度学习算法工程师，相信都希望有一个单机多卡、多机多卡的服务器环境。

高效的训练环境，对学术和工业界都十分有利。最近深度学习的论文，好多都是在多机多卡上训练完成（当然Google有自家的TPU），所谓“大力出奇迹”，放进几百G的文本数据，在Transformer网络稍微调整下，在服务器上跑个几周，效果就出来了。

众所周知, 服务器领域是Linux的天下。作为云环境的部署, 容器解决方案 Docker可谓是大名鼎鼎。Docker，是基于Linux的开发的，利用了linux内核的cgroups机制。所以，开始Docker是不支持Windows的。

深度学习的单机环境配置的效率，上一段已经讲过。对于几十台甚至几百几千台的服务器，用收费的Windows去配置，我想没有工程师会去做。

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。