youcans的深度学习 02PyTorch CPU版本安装与环境配置

Posted 2023-03-13 YouCans

欢迎关注『youcans的深度学习』系列，持续更新中…
【youcans的深度学习 01】安装环境之 miniconda
【youcans的深度学习 02】PyTorch CPU版本安装与环境配置

【youcans的深度学习 02】PyTorch CPU版本安装与环境配置

1. 安装环境要求

• PyTorch支持Windows、Linux、Macos等操作系统。
• Windows平台：支持Windows7及以上版本，推荐使用Windows10或更高版本。
• 需要Python环境，推荐使用conda包管理工具和PycharmIDE工具。
• 推荐使用MiniConda搭建Python环境，提供了conda 包管理工具和Python解释器。
• 推荐创建python虚拟环境，在虚拟环境中下载安装PyTorch。

安装CPU版本前建议测试（但非必须）本机是否为独立显卡，是否支持CUDA的安装：点击【cuda-gpus列表】可以查询显卡是否在列表中。

2. 创建Python虚拟环境

2.1 安装 Anaconda 或 miniconda

详见上节 【01 安装环境 miniconda】。

2.2 创建torch虚拟环境

强烈推荐创建python虚拟环境，在虚拟环境中下载安装PyTorch。

（1）cmd进入命令行编辑器，或由Anaconda Prompt，或miniconda Prompt 进入命令行编辑器。默认为<base>环境， base 是安装 Anaconda 自带的一个基础环境。

（2）输入"conda env list"，检查本机中的的Python环境：

如果用户尚未创建虚拟环境，则只有 base环境。如果用户已经创建虚拟环境，也会显示在列表中。

如图所示，用户创建了 py38虚拟环境，当前激活环境为 base（路径之前有个星号*）

（3）输入"conda create -n torch"，创建名为"torch"的虚拟环境：

（4）输入"conda activate torch"，激活torch虚拟环境。

激活torch虚拟环境以后，当前激活环境为 torch（路径之前有个星号*）。

（5）在torch虚拟环境安装必要的包。

conda install -y numpy
conda install -y matplotlib & conda install -y pandas & conda install -y xlrd

…

2.3 PyCharm环境配置

2.3.1 创建新项目的环境设置

• 打开PyCharm，创建新的项目。

• 在 Location 选择适当的项目路径

• 在 Python Interpreter 选择 Previously configured interpreter，选项框中自动找到 Python3.8(torch)。

• 如果没有自动找到，则可以通过路径选择添加Python解释器Add Python Interpreter，找到所经历的 py38 环境的Python解释器。如下图所示：

如果在该窗口选择 Create a main.py welcom script，则在创建项目的同时新建了一个 main.py 文件。

运行这个 main.py 文件，在 PyCharm 下方就会出现运行结果：

2.3.2 已有项目的环境设置

• 打开 PyCharm，打开一个已经建立的项目；
• 在 PyCharm 上方菜单选择：File–Settings；
• 弹出 Settings 窗口，从左侧菜单选择：Project–Python Interpreter，从右上方的选项框Python Interpreter选择 Python3.8(torch)环境。当然也可以选择创建的其它 Python 环境。
• 打开并运行 python 程序，得到运行结果。

如果提示缺少导入的包，可以按照 3.2 的方法安装相应的包。

---

3. 安装 PyTorch CPU版本

3.1 官网下载

（1）进入PyTorch官网【https://pytorch.org/】

PyTorch

FROM RESEARCH TO PRODUCTION

An open source machine learning framework that accelerates the path from research prototyping to production deployment.

Installhttps://pytorch.org/

（2）按照 INSTALL PYTORCH 的提示，选择适合自己的PyTorch版本。
说明：Stable代表PyTorch当前最受测试和支持的版本，适合普通用户。

（3）复制"Run this Command"生成的命令。

Run this Command:

conda install pytorch torchvision torchaudio cpuonly -c pytorch

3.2 conda安装PyTorch

（1）回到conda环境（cmd进入命令行编辑器，或由Anaconda Prompt，或miniconda Prompt 进入命令行编辑器）

（2）运行此前所复制的"Run this Command"代码。

注意：

• 一定要切换到 torch 虚拟环境，否则可能安装到base环境或其它虚拟环境。

• 如果下载速度慢，建议使用国内镜像源。但此时要删除所复制命令中最后面的 “-c pytorch”。

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

conda install pytorch torchvision torchaudio cpuonly

• 安装中会跳出"Proceed([y]/n)?"，输入"y"或直接回车即可。

3.3 PyTorch安装测试

3.3.1 进入python进行测试

在conda环境中，进入python后import torch，就可以进行测试。结果如下图所示，没有报错就说明安装成功。

3.3.2 进入PyCharm进行测试

（4）进入PyCharm进行测试

上述conda环境的测试已经说明PyTorch版本安装成功。但为了确认PyCharm中的虚拟环境配置正确，可以进入PyCharm，选择 Python3.8(torch)环境运行以下例程：

import torch
import torchvision

def print_hi(name):
    print(f'Hi, name')  # Press Ctrl+F8 to toggle the breakpoint.

if __name__ == '__main__':
    print_hi('PyCharm')
    print("HELLO pytorch ".format(torch.__version__))
    print("torchvision.version:", torchvision.__version__)
    print("torch.cuda.is_available? ", torch.cuda.is_available())

    x = torch.rand(3, 6)
    print(x)

运行结果如下：

Hi, PyCharm
HELLO pytorch 1.13.1
torchvision.version: 0.14.1
torch.cuda.is_available? False
tensor([[0.0052, 0.2104, 0.8887, 0.8930, 0.4597, 0.7055],
[0.6065, 0.2684, 0.9401, 0.4489, 0.2740, 0.3039],
[0.0663, 0.8546, 0.4360, 0.6067, 0.9844, 0.3755]])

一切顺利，收工。

4. PyTorch（CPU）应用例程

最后给一个基于PyTorch（CPU）的应用例程，绘制几种激活函数的形状。

# test02_v1.py
# test02 of PyTroch

import torch
from torch.autograd import Variable
import torch.nn.functional as Func
import matplotlib.pyplot as plt

# 生成数据序列
tensor = torch.linspace(-5, 5, 200)  #  返回一维张量
tensor = Variable(tensor)  # Tensor 转为 Variable
xNp = tensor.numpy()  # Tensor 转为 numpy

# 定义激活函数
y_relu = torch.relu(tensor).data.numpy()
y_sigmoid =torch.sigmoid(tensor).data.numpy()
y_tanh = torch.tanh(tensor).data.numpy()
y_softplus = Func.softplus(tensor).data.numpy()

# 绘图
plt.figure(figsize=(9, 6))
plt.suptitle("Response curve of activation function")
plt.subplot(221)
plt.plot(xNp, y_relu, c='red', label='RelU')
plt.legend(loc='best')
plt.subplot(222)
plt.plot(xNp, y_softplus, c='red', label='hardTanh')
plt.legend(loc='best')
plt.subplot(223)
plt.plot(xNp, y_sigmoid, c='red', label='sigmoid')
plt.legend(loc='best')
plt.subplot(224)
plt.plot(xNp, y_tanh, c='red', label='tanh')
plt.legend(loc='best')
plt.show()

【本节完】