深度学习pytorch环境搭建

Posted 2023-04-12 冰履踏青云

搭建pytorch环境，主要目的还是尽量利用gpu的算力，cpu也可以但速度要慢很多，如果没有Nvidia显卡，torch.cuda.is_available()就是False，是正确的。即便没有显卡，也是可以往后面学习的，只不过运算速度会慢很多。

当数据量较大时，在GPU上的运算速度接近CPU的10倍，且随着layer的加深、循环层数的增加，这两者运算速度的差异还会继续扩大。

所以如果我们有显卡条件的话，有必要去做一些安装和配置工作，本次环境搭建以最终代码可以调用gpu运算为目的（torch.cuda.is_available() 为True）。

pytorch 安装可参考 Pytorch安装教程

下面简单记录一下环境搭建过程

1. 安装Anaconda anaconda.com
   安装好后 可创建一个虚拟环境执行

2. conda create --prefix=D:/deep python=3.7

3. activate D:/deep
   [安装cuda 如果有N卡的话，根据n卡型号的算力决定是否选择11.4。A卡自求多福]

   在NVIDIA控制面板查看显卡驱动版本，选择合适的CUDA版本进行下载。
   

   NVIDIA驱动版本与CUDA版本对应关系
   

nvidia-smi 控制台 如果Driver Version小于 400先更新显卡驱动。

下载并安装 cuda https://developer.nvidia.com/cuda-10.2-download-archive [首先要安装个 vs]

参考文章：

cuda 安装可参考 ：cuda 安装

win10下，conda安装GPU版pytorch最新版本: cuda11.7，遇到的坑

4. 进入官网复制一条安装命令 https://pytorch.org/ 复制符合自己情况和条件的命令

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

国外的下载速度比较慢，可以执行一下语句切换镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
conda config --set show_channel_urls yes
conda config --set ssl_verify false

安装结束测试

import torch
print(torch.__version__)    #显示版本
print("gpu", torch.cuda.is_available())  #False

【找不到指定模块：1.安装vs  2. conda install -c peterjc123 vc vs2017_runtime 3.重新安装numpy】

报找不到指定模块错误，可以先尝试重新安装一下numpy，一般就可以解决，若不能解决就需要安装相关vs

显示为True证明环境搭建成功，。

利用Anaconda安装pytorch搭建深度学习环境

一、NVIDIA驱动安装

 首先查看电脑的显卡版本，步骤为：此电脑右击-->管理-->设备管理器-->显示适配器。就可以看到电脑显卡的版本了。

得知以上的信息以后我们就可以对应我们的显卡去英伟达官网上去找相对应的显卡驱动更新或者下载了。显卡驱动的下载网址NVIDIA 驱动程序下载https://www.nvidia.cn/Download/index.aspx?lang=cn

然后根据自己的电脑的配置去选择驱动。这里Notebooks是笔记本的意思，所以如果你是笔记本电脑，那么产品系列那个选项就要选择（Notebooks）的。还有那个下载类型有两种一个是Studio版本，一个是Game Ready版本。其实两个版本都差不多，一个是偏办公用，一个是偏游戏娱乐。按如下操作将驱动下载下来。然后点击下载来的程序，不断的下一步就好了。

安装好了显卡驱动以后。按下win+R组合键，打开cmd命令窗口。输入命令nvidia-smi。得到如下图的信息图，可以看到驱动的版本是496.76；最高支持的CUDA版本是11.5版本。得到显卡的最高支持的CUDA版本，我们就可以根据这个信息来安装环境了。

二、Anaconda 的安装

打开Anaconda | Individual Editionhttps://www.anaconda.com/products/individual下载最新版本的anaconda

若想下载其他版本，到清华镜像https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/选择对应的版本anaconda python 版本对应关系_茶佬牛逼-CSDN博客_anaconda python版本https://blog.csdn.net/yuejisuo1948/article/details/81043823

双击下载好的anaconda安装包，just me是说只供当前用户使用。all user 是供使用这台电脑的所有用户使用，是权限问题。对空间影响不大。如果你的电脑上只有建了一个用户，all users和just me 的作用是一样的,点击just me就好了。

​

     然后点击next，当让你选择安装安装路径的时候，一定不要选择默认安装位置，因为默认位置是c盘，以后要在anaconda里面创建环境的时候会很占内存，最好在D盘中创建一个文件夹来放anaconda。

​

 和图中一样将图中的√勾上，虽然出现红色的警告，但是要勾上，将anaconda添加到环境变量中去。然后点击完成就好了。

​

    安装完成以后，按下开始键在左边就会出现anaconda3这个文件夹，可以发现anaconda已经安装好了。

​

三、Pytorch环境安装

按下开始键，点击如图中的图标。打开anaconda的终端。

​

创建虚拟环境conda create -n 环境名字（英文） python=x.x（python版本），如下就是创建了一个名字叫pytorch，python是3.9版本的环境。

conda create -n pytorch python=3.9

执行如上的命令，就会创建一个新的虚拟环境，这个虚拟环境会安装一些基础的包，如下图所示。询问是否安装的时候，输入y。就可以创建环境了。若环境创建失败，打开.condarc将里面清华镜像全部删除：​​

当安装好了以后，执行conda env list这个命令，就可以看到多了一个pytorch这个环境。执行命令conda activate pytorch，激活这个环境。

​

安装pytorch-gup版的环境，由于pytorch的官网在国外，下载相关的环境包是比较慢的，所以我们给环境换源。在pytorch环境下执行如下的命名给环境换清华源。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --set show_channel_urls yes

然后打开pytorch的官网，由于开头我们通过驱动检测到我的显卡为 GTX1050，最高支持cuda11.5版本，所以我们选择cuda11.1版本的cuda，然后将下面红色框框中的内容复制下来将复制的内容粘贴到pytorch环境下的终端，运行就可以开始下载环境所需要的依赖包了。

​

若安装过程中出现下面情况

​

可将.condarc文件中的https全部改成http,再重新安装一次。

五、验证CUDA和cudnn版本

  打开pycharm，创建一个新的工程，这时候我们就要选择我们在anaconda里面安装的环境，在界面的右下角，按照如图中的选项选择我们在anaconda中创建的深度学习环境，可以看到有pytorch环境，我们先选择pytorch环境。

​

此时刚刚的右下角已经有了我们刚刚选择的pytorch环境中的python了。我们在创建的工程里面创建一个python脚本，在脚本中运行如下代码，查看是否anconda在安装pytorch环境的时候也安装了cuda和cudnn。

import torch
print(torch.cuda.is_available())
print(torch.backends.cudnn.is_available())
print(torch.cuda_version)
print(torch.backends.cudnn.version())

运行之后出现下面结果就安装成功啦！ 

 

​