在租的GPU上跑Mask RCNN, 是否需要重新配置环境？

最近想用Mask RCNN训练自己的数据，但是电脑太垃圾，训练时间太久了，就想租用gpu。
之前在自己电脑上配置运行环境的时候实在太痛苦了，我想问问，在租的GPU上跑Mask RCNN,是否需要重新配置环境？

在租用的GPU上跑Mask RCNN, 不需要重新配置环境。你需要将自己的代码和数据上传到云端，然后在云端的GPU上进行训练。只要租用的 GPU 支持 Tensorflow, pytorch 等深度学习框架，并且操作系统与你自己电脑上的环境相同，就可以直接在云端运行你的代码。

租？是租了一个新显卡放进自己主机里吗，如果是就需要重新配置环境。

• 文章：Mask_RCNN入门（三）—— 使用gpu进行训练和测试 中也许有你想要的答案，请看下吧
• 除此之外, 这篇博客: Mask_RCNN入门（三）—— 使用gpu进行训练和测试中的 关系图 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 
  先说明一下图中情况：

  • driver决定了CUDA的版本
  • CUDA决定了cuDNN版本
  • CUDA决定了tensorflow-gpu版本，可见tensorflow-gpu和CUDA的关系
  • tensorflow-gpu基于一定版本的python，这在tensorflow-gpu和CUDA的关系中也能看出
  • 如果在算法中还要用到Keras，那么tensorflow-gpu和Keras也有约束关系
    详见：tensorflow-gpu和Keras版本兼容性
    
    
    在实操中，一般采用自上而下的确定方式：
  • 确定python版本
  • 确定项目的tensorflow-gpu版本
  • 确定CUDA版本，从而确定cuDNN版本，更新驱动版本
    
    

一般云平台的GPU都没有配置环境的，需要你自己配置（有些贴心点的会给你配置好，但是这种很少，大部分只会给你配置一个cuda），因为这些平台都是linux系统，所以这个环境配置会很简单（不会像windows下面那么复杂），基本上都是几条命令行搞定，唯一麻烦一些的会是cuda。
之后需要将你的源码打包上传，数据集也一样（如果是开源数据集反而会更方便，因为这个他们下载比你上传会更快），所以你租的时候需要注意下硬盘大小，注意数据集和预训练模型的大小，并且数据集外至少留个10G左右的空间安装环境（这个量是有很大冗余了，你可以根据具体情况自己留）。