搭建环境，安装katago

昨晚学习测试比较晚，而且强度也比较大，躺下直接睡着。想想儿子上学几乎每天都这样，真是辛苦。

学习的起因是在收尾Leelazero的时候，看到一篇评论，说当今开源的一款围棋AI KataGo甚是厉害，大有赶超leelazero之势。

自阿法狗后，围棋AI层出不穷，但基本都是站在狗身上不见头而已。引起兴趣的是这款AI的贴目、让子设定更为灵活，而且后续版本将支持中国古谱中的还棋头，这样可以对古谱提供支持分析。更关键的是只支持N卡的gpu计算，这样就必须安装CUDA和CUDNN，而这正好是最近需要学习和测试的。

于是开始安装。但上来就挨了当头一棒，老笔记本显卡太旧，CUDA和CUDNN居然直接拒绝安装。马上换上宏碁笔记本，开始了漫长的安装调试。

根据以往的经验，网上的教程不可靠。果然，网上写的容易，安装起来诸多意外。一个一个解决，顺带倒是学习了不少相关知识。

安装完CUDA和CUDNN，KataGo编译倒是简单了，没有费多大功夫。使用sabaki可以调用引擎进行对弈，甚至可以让KataGo和leelazero进行对弈。但网上最流行的lizzie却无法调用。但好在主要问题已经解决，足矣，立马倒头就睡。

今天早晨起来，又把剩余的问题解决。在lizzie的配置文件中的engine-command后面加engine-command-list，将各种引擎伸至权重写入数组，这样就可以通过ctl+数字进行引擎切换。

虽然费时费脑，算是完美的解决吧。

前几天误打误撞注册了AutoDL后果然有些停不下来，算上折扣，要比阿里云、腾讯云的gpu服务器更为合适，同时AutoDL是容器化实例，这样初始化在几秒内完成，而阿里云等初始化过程中的GPU驱动、框架搭建时间有些过于漫长了。如果把时间考虑在内，AutoDL性别比就更高了。

但AutoDL受实例限制，暂时无法编译TensorRT Backend版本，编译的是cuda11.2版本。在不同GPU实例下简单测试了一下katago的benchmark，权重为kata1-b40c256-s10359230464-d2525387336。

使用阿里云最低端的Tesla T4，4核cpu，15G内存服务器作为参考。

在使用sabaki对弈感觉速度尚可，但经过测试，NVIDIA RTX 3060 / 12GB的成绩与阿里云的Tesla T4比想象中要差不少。

作为TeslaT4的替代者，NVIDIA RTX A4000 / 16GB成绩相比TeslaT4略好一点，也符合AutoDL首页算力排名。AutoDL北京地区实例均使用RTX A4000。

NVIDIA RTX 3090 / 24GB成绩两倍于NVIDIA RTX A4000 / 16GB，同样符合算力排名。

最令人吃惊的是NVIDIA RTX 2080Ti / 11GB，成绩直逼阿里云TeslaV100 16G。katago测试过程中，

第一次测试居然认为成绩出现误差，提示“Optimal number of threads is fairly high, increasing the search limit and trying again.”自动重新测试了一遍。

不愧为显卡核弹。难怪黄厂长严令禁止数据商将游戏显卡用于数据服务器上。其价格居然还要低于NVIDIA RTX A4000 / 16GB，这也是性价比最高的GPU实例。

---