超详细的的PyTorch安装教程，成功率高，适合初学者，亲测可用。

Posted 2023-04-09 微智启工作室

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了超详细的的PyTorch安装教程，成功率高，适合初学者，亲测可用。相关的知识，希望对你有一定的参考价值。

啰嗦几句：网上的教程很多，安装的方法多种多样，操作复杂，成功率还不高。小编在淘宝专门帮助不会安装的小伙伴远程配置环境，这方法都是测试过了，适用大部分人的，完全按照文章来操作，基本都是可以安装成功的。

如果你不想再折腾了，可能联系技术客服3447362049远程安装，打开Todesk（客服会发）远程软件即可，无需准备任何东西。

第一步：Anaconda下载安装

Anaconda，推荐使用和微智启工作室一致的版本，否则可能会出现无法使用下载源或者其他未知的问题。

下载地址：

阿里云盘下载地址（推荐）：https://www.aliyundrive.com/s/MrrK3zZ3j2Z

百度网盘下载地址：链接：https://pan.baidu.com/s/1HF2DI0-PgYys1yvV8DfGVQ

提取码：8888

如果上面两个链接都失效了，可以在小强软件商城（zbsc.zjitgzs.cn）进行搜索下载。

1、下载完后，双击运行解压。然后双击运行Anaconda3安装程序

2、Next

3、I Agree

4、勾选Just Me，Next

5、可以修改为其他盘，例如D盘Anaconda文件夹（路径尽量不要含有中文）

6、一定要记得勾选这两个复选框，否则后续需要手动配置PATH环境变量

7、当Next按钮变亮，可点击的时候，说明Anaconda已经安装成功，关闭窗口。

第二步：修改Anaconda下载源

1、在电脑左下角开始菜单，打开Anaconda Prompt (anaconda)命令窗口，

2、输入下方命令，创建.condarc文件

conda config --set show_channel_urls yes

3、输入命令回车后，会在C:\\Users\\wzq（wzq是你的用户名，可以是administrators或者其他的）目录，生成一个.condarc文件

4、右键以记事本方式打开.condarc文件，把里面的内容，全部替换为下方的内容，保存退出。

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

此时，anaconda的下载源就已经修改为清华源了

第三步：查看CUDA版本

pytorch安装的CUDA版本，不能高于电脑的CUDA版本，所以在安装前，我们需要知道电脑的版本，有以下几种查看方式。

1.1：在电脑右下角，展开，右键选择控制面板

1.2：右键桌面空白处，选择显卡控制面板

1.3：如果以上2种方式，你都没有找到英伟达控制面板，就需要查看电脑是否有独立显卡了。

1.3.1右键此电脑图标，选择管理。

1.3.2 查看设备管理器，显示适配器，如果有NVIDIA 字样，则说明是有独立显卡的。

1.3.3此时只需更新显卡驱动即可，更新CUDA驱动，可以下载驱动总裁（驱动总裁在线版本_驱动总裁在线版本下载-系统总裁|系统封装首席执行官），进行驱动更新。

1.3.4下载安装完后，重启电脑，应该就可以显示显卡控制面板了。

打开显卡控制面板后→帮助→组件，就可以查看CUDA了

例如我的是11.4（记住这个版本号）

第四步：创建独立虚拟环境

conda create -n PyTorch python=3.8

第五步：获取pytorch安装指令

pytorch官网：Start Locally | PyTorch

复制下方红框部分的安装指令到Anaconda进行安装（后续还会继续更新）

我的CUDA版本是11.4，上方pytorch官网中最低是11.6，显然都不符合安装需求，那么我就需要在历史版本中选择比较低的安装指令。

历史版本：Previous PyTorch Versions | PyTorch

例如选择11.3版本（不高于我电脑的11.4，符合），复制指令到anaconda命令窗口进行安装

然后输入y，一直下一步（不用再单独下载cuda了）

当出现这个界面（done字样）的时候，证明我们已经下载完了。

第六步：验证是否安装成功

依次输入

python

import torch

print(torch.cuda.is_available())

如果测试返回True，恭喜你，安装成功，给小编来个赞吧！

如果测试返回FALSE，非常遗憾，安装并不成功，原因可能是python版本问题、显卡驱动版本问题、pytorch不兼容等问题，需要逐一尝试排除的。

如果你不想再折腾了，可能联系技术客服3447362049远程安装，打开Todesk（客服会发）远程软件即可，无需准备任何东西。

超详细Pytorch 入门教程

1 认识Pytorch

什么是Pytorch？

Pytorch是一个基于Numpy的科学计算包, 向它的使用者提供了两大功能.
- 作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.
- 做为一款深度学习的平台, 向用户提供最大的灵活性和速度.

2 Pytorch的基本元素操作

Tensors张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.
我们使用Pytorch的时候, 常规步骤是先将torch引用进来, 如下所示:

from __future__ import print_function
import torch

创建矩阵的操作
创建一个没有初始化的矩阵:

x = torch.empty(5, 3)
print(x)

输出结果:

tensor([[2.4835e+27, 2.5428e+30, 1.0877e-19],
        [1.5163e+23, 2.2012e+12, 3.7899e+22],
        [5.2480e+05, 1.0175e+31, 9.7056e+24],
        [1.6283e+32, 3.7913e+22, 3.9653e+28],
        [1.0876e-19, 6.2027e+26, 2.3685e+21]])

创建一个有初始化的矩阵:

x = torch.rand(5, 3)
print(x)

输出结果:

tensor([[0.1368, 0.8070, 0.4567],
        [0.4369, 0.8278, 0.5552],
        [0.6848, 0.4473, 0.1031],
        [0.5308, 0.9194, 0.2761],
        [0.0484, 0.9941, 0.2227]])

对比有无初始化的矩阵: 当声明一个未初始化的矩阵时, 它本身不包含任何确切的值. 当创建一个未初始化的矩阵时, 分配给矩阵的内存中有什么数值就赋值给了这个矩阵, 本质上是毫无意义的数据.

创建一个全零矩阵并可指定数据元素的类型为long

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

输出结果:

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

直接通过数据创建张量

x = torch.tensor([2.5, 3.5])
print(x)

输出结果:

tensor([2.5000, 3.3000])

通过已有的一个张量创建相同尺寸的新张量

# 利用news_methods方法得到一个张量
x = x.new_ones(5, 3, dtype=torch.double)
print(x)

# 利用randn_like方法得到相同张量尺寸的一个新张量, 并且采用随机初始化来对其赋值
y = torch.randn_like(x, dtype=torch.float)
print(y)

输出结果:

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

tensor([[-0.1497, -0.5832, -0.3805],
        [ 0.9001,  2.0637,  1.3299],
        [-0.8813, -0.6579, -0.9135],
        [-0.1374,  0.1000, -0.9343],
        [-1.1278, -0.9140, -1.5910]])

得到张量的尺寸:

print(x.size())

输出结果:

torch.Size([5, 3])

注意: torch.Size函数本质上返回的是一个tuple, 因此它支持一切元组的操作.

3 Pytorch的基本运算操作

加法操作:

y = torch.rand(5, 3)
print(x + y)

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

第二种加法方式:

print(torch.add(x, y))

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

第三种加法方式:

# 提前设定一个空的张量
result = torch.empty(5, 3)
# 将空的张量作为加法的结果存储张量
torch.add(x, y, out=result)
print(result)

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

第四种加法方式: in-place (原地置换)

y.add_(x)
print(y)

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

注意:

所有in-place的操作函数都有一个下划线的后缀.
比如x.copy_(y), x.add_(y), 都会直接改变x的值.

用类似于Numpy的方式对张量进行操作:

print(x[:, 1])

输出结果:

tensor([-2.0902, -0.4489, -0.1441,  0.8035, -0.8341])

改变张量的形状: torch.view()

x = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变
y = x.view(16)
# -1代表自动匹配个数
z = x.view(-1, 8)
print(x.size(), y.size(), z.size())

输出结果:

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果张量中只有一个元素, 可以用.item()将值取出, 作为一个python number

x = torch.randn(1)
print(x)
print(x.item())

输出结果:

tensor([-0.3531])
-0.3530771732330322

4 关于Torch Tensor和Numpy array之间的相互转换

Torch Tensor和Numpy array共享底层的内存空间, 因此改变其中一个的值, 另一个也会随之被改变.

a = torch.ones(5)
print(a)

输出结果:

tensor([1., 1., 1., 1., 1.])

将Torch Tensor转换为Numpy array

b = a.numpy()
print(b)

输出结果:

[1. 1. 1. 1. 1.]

对其中一个进行加法操作, 另一个也随之被改变:

a.add_(1)
print(a)
print(b)

输出结果:

tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]

将Numpy array转换为Torch Tensor:

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

输出结果:

[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

注意:

所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.

关于Cuda Tensor: Tensors可以用.to()方法来将其移动到任意设备上.

# 如果服务器上已经安装了GPU和CUDA
if torch.cuda.is_available():
    # 定义一个设备对象, 这里指定成CUDA, 即使用GPU
    device = torch.device("cuda")
    # 直接在GPU上创建一个Tensor
    y = torch.ones_like(x, device=device)
    # 将在CPU上面的x张量移动到GPU上面
    x = x.to(device)
    # x和y都在GPU上面, 才能支持加法运算
    z = x + y
    # 此处的张量z在GPU上面
    print(z)
    # 也可以将z转移到CPU上面, 并同时指定张量元素的数据类型
    print(z.to("cpu", torch.double))

输出结果:

tensor([0.6469], device='cuda:0')
tensor([0.6469], dtype=torch.float64)

5 总结

学习了什么是Pytorch.
- Pytorch是一个基于Numpy的科学计算包, 作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.
- 做为一款深度学习的平台, 向用户提供最大的灵活性和速度.
学习了Pytorch的基本元素操作.
- 矩阵的初始化:
  - torch.empty()
  - torch.rand(n, m)
  - torch.zeros(n, m, dtype=torch.long)
- 其他若干操作:
  - x.new_ones(n, m, dtype=torch.double)
  - torch.randn_like(x, dtype=torch.float)
  - x.size()
学习了Pytorch的基本运算操作.
- 加法操作:
  - x + y
  - torch.add(x, y)
  - torch.add(x, y, out=result)
  - y.add_(x)
- 其他若干操作:
  - x.view()
  - x.item()
学习了Torch Tensor和Numpy Array之间的相互转换.
- 将Torch Tensor转换为Numpy Array:
  - b = a.numpy()
- 将Numpy Array转换为Torch Tensor:
  - b = torch.from_numpy(a)
- 注意: 所有才CPU上的Tensor, 除了CharTensor, 都可以转换为Numpy Array并可以反向转换.
学习了任意的Tensors可以用.to()方法来将其移动到任意设备上.
- x = x.to(device)

加油!

感谢!

努力!

以上是关于超详细的的PyTorch安装教程，成功率高，适合初学者，亲测可用。的主要内容，如果未能解决你的问题，请参考以下文章

超详细Pytorch 入门教程

超详细的Pytorch GPU版本安装

超简单的pytorch（GPU版）安装教程（亲测有效）

WRF-Chem安装教程，超详细，适合新手

超详细Pytorch 入门教程

Windows10 PyTorch1.5 安装教程 | 很详细