配置pytorch(gpu)分析环境

Posted 2023-04-09 徐洲更hoptop

Pytorch是目前最火的深度学习框架之一，另一个是TensorFlow。不过我之前一直用到是CPU版本，几个月前买了一台3070Ti的笔记本（是的，我在40系显卡出来的时候，买了30系，这确实一言难尽），同时我也有一台M1芯片Macbook Pro，目前也支持了pytorch的GPU加速，所以我就想着，在这两个电脑上装个Pytorch，浅度学习深度学习。

Apple silicon

首先是M1芯片，这个就特别简单了。先装一个conda，只不过是内置mamba包管理器，添加conda-forge频道，arm64版本。

# 下载
wget https://github.com/conda-forge/miniforge/releases/latest/download/Mambaforge-MacOSX-arm64.sh
# 安装
bash Mambaforge-MacOSX-arm64.sh

然后我们用mamba创建一个环境，用的是开发版的pytorch，所以频道指定pytorch-nightly

mamba create -n pytorch \\
   jupyterlab jupyterhub pytorch torchvision torchaudio 
   -c pytorch-nightly

最后，用conda activate pytorch,然后测试是否正确识别到GPU

import torch
torch.has_mps
# True
# 配置device
device = torch.device("mps")

参考资料: https://developer.apple.com/metal/pytorch/

Windows NVIDIA

首先，需要确保你的电脑安装的是NVIDIA的显卡，以及有了相应的CUDA驱动。

CUDA的显卡架构要求: https://docs.nvidia.com/deeplearning/cudnn/support-matrix/index.html

新一代的电脑上基本都自带CUDA驱动。可以通过打开NVIDIA控制面板的系统信息

在组件中查看你已经安装的CUDA驱动，例如我的是11.7.89 。

也可以通过命令行的方式查看，

接下来，我们来安装pytorch。同样也是推荐conda的方法，我们先从清华镜像源中下载Miniconda。

选择Windows的安装包

安装完之后，我们就可以通过Anaconda Prompt进入命令行，根据pytorch网站上的推荐进行安装。

但是有一点不同，为了避免环境冲突，最好是单独创建一个环境，所以代码如下

conda create -n pytorch pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

接着用 conda activate pytorch启动环境，然后在python环境中测试

import torch
torch.has_cuda
# True

几个常见的问题（至少我在写文章想到的问题）：

Q: 使用conda和pip安装的区别是什么？

A: conda是pytorch官方推荐的安装方式，因为conda会一并帮你装好pytorch运行所需要的CUDA驱动和相关工具集。这意味着为conda所占用的空间会更多一些。

Q: 可以在非常老的硬件上安装最新的pytorch吗？

A: 我觉得这个跟装游戏类似，你虽然能装上游戏，但是不满足游戏的最低配置需求，照样跑不动。

Q: 电脑上必须要安装CUDA驱动和安装CUDA toolkit吗？

A: 其实我个人不是很确定如何回答，如下是我目前的一些见解。如果你用的conda，那么他会帮你解决一些依赖问题。如果你是用pip，那么就需要你自己动手配置。其中，CUDA驱动是必须要安装的，因为CUDA驱动负责将GPU硬件与计算机操作系统相连接，不装驱动，操作系统就不识别CUDA核心，相当你没装NVIDIA显卡。而CUDA toolkit是方便我们调用CUDA核心的各种开发工具集合，你装CUDA toolkit的同时会配套安装CUDA驱动。除非你要做底层开发，或者你需要从源码编译一个pytorch，否则我们大可不装CUDA toolkit。

Q: 如果我电脑上的CUDA驱动版本比较旧怎么办？或者说我CUDA的驱动版本是11.7，但是我安装了cuda=11.8的pytorch，或者版本不一样的pytorch会怎么样？

A: 我们在安装cuda=11.7的pytorch，本质上安装的是在CUDA Toolkit版本为11.7环境下编译好的pytorch版本。当cuda版本之间的差异不是特别的大，或者说不是破坏性的升级的情况下，那么理论上也是能运行的。

手写数据性能测试

下面用的是GPT3.5给我提供一段手写字识别（MNIST)案例代码，用来测试不同的平台的速度。

import torch
import torchvision
import torchvision.transforms as transforms

# 转换数据格式并且加载数据
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5,), (0.5,))])

trainset = torchvision.datasets.MNIST(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.MNIST(root='./data', train=False,
                                       download=False, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
                                         shuffle=False, num_workers=2)

# 定义网络模型
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(1, 6, 5)
        self.pool = torch.nn.MaxPool2d(2, 2)
        self.conv2 = torch.nn.Conv2d(6, 16, 5)
        self.fc1 = torch.nn.Linear(16 * 4 * 4, 120)
        self.fc2 = torch.nn.Linear(120, 84)
        self.fc3 = torch.nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(torch.nn.functional.relu(self.conv1(x)))
        x = self.pool(torch.nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = torch.nn.functional.relu(self.fc1(x))
        x = torch.nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

# 这里的代码比较随意，就是用哪个平台运行哪个
# CPU
device = torch.device("cpu")
# CUDA
device = torch.device("cuda:0")
# MPS
device = torch.device("mps")

net.to(device)

# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练网络

import time

start_time = time.time()  # 记录开始时间

for epoch in range(10):  # 进行10次迭代训练
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data[0].to(device), data[1].to(device)
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 100 == 99:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0

end_time = time.time()  # 记录结束时间
training_time = end_time - start_time  # 计算训练时间

print('Training took %.2f seconds.' % training_time)

print('Finished Training')

# 测试网络
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data[0].to(device), data[1].to(device)
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
      ))

最后统计下来的结果为

Windows平台

• 3070Ti Training took 45.02 seconds.
• i9 12900H Training took CPU 75.65

Mac平台

• M1 Max Training took 50.79 seconds.
• M1 MAX CPU Training took 109.61 seconds.

总体上来说，GPU加速很明显，无论是mac还是Windows。其次是GPU加速效果对比，M1 max芯片比3070Ti差个10%？。

不过目前测试都是小数据集，等我学一段时间，试试大数据集的效果。

GPU版本的pytorch安装（一次成功）

GPU版本的pytorch安装

• • 一、查看电脑显卡和安装显卡驱动
  • • 1、查看电脑是否支持pytorch
    • 2、更新驱动
    • 3、查看GPU的状态
  • 二、安装CUDA
  • 三、配置CUDA环境变量
  • 四、安装cudaa
  • 五、安装anaconda
  • 六、安装PyTorch
  • 测试是否安装成功

一、查看电脑显卡和安装显卡驱动

1、查看电脑是否支持pytorch

• 在设备管理器中查看计算机显卡型号；例如我的电脑的显卡是GTX 1650.
• 显卡必须是NVIDIA
  

2、更新驱动

• 链接: https://www.nvidia.cn/geforce/drivers/
• 
• 点击立即下载安装驱动更新程序；然后在里面更新最新的驱动程序（这样做这个官方的程序可以为你提供最新的适合你的驱动）

3、查看GPU的状态

• 更新驱动后,打开CMD终端（快捷键：Win+R），命令行输入:nvidia-smi查看GPU状态：
• 
• 看这里的CUDA version：后面的就是你可以安装的最高版本的CUDA

二、安装CUDA

• 链接: https://developer.nvidia.com/cuda-toolkit-archive
• 进入后选择适合自己的CUDA并下载（前面查看了你的设备最高支持的版本，只要版本比这个低就行了）
• 
  
• 选择参数下载即可
• 下载完成后将CUDA安装。
• 注意：建议默认路径，后期需要添加环境变量，安装时选择自定义安装：
• 
• 取消该选项Visual Studio Integration：
  
• 然后安装即可

三、配置CUDA环境变量

注意：该环境变量是默认安装路径下的环境变量，如果版本不同更改其版本号即可

• 鼠标右键计算机（此电脑），打开属性->高级系统设置->环境变量，可以看到系统变量中多了CUDA_PATH和CUDA_PATH_V11_6两个环境变量。
  

• 接下来，还要在系统变量中“新建”，添加以下几个环境变量，以下是默认安装位置的路径的环境变量（左边是变量名，右边是变量值）:

• 该变量添加在系统变量当中：

• 点击新建：

• 下面是环境变量：

CUDA_SDK_PATH = C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v11.6

CUDA_LIB_PATH = %CUDA_PATH%\\lib\\x64

CUDA_BIN_PATH = %CUDA_PATH%\\bin

CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\\bin\\win64

CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\\common\\lib\\x64

• 在path中需要添加的环境变量：

%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v10.2\\lib\\x64

C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v10.2\\include

C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v10.2\\extras\\CUPTI\\lib64

C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v10.2\\bin\\win64

C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v10.2\\common\\lib\\x64

四、安装cudaa

需要申请账号
链接: https://developer.nvidia.com/rdp/cudnn-archive#a-collapse742-10

• 下载与自己的cuda版本对应的cudnn
• 下载cudnn后直接将其解开压缩包，然后需要将解压后的bin,include,lib文件夹复制粘贴到cuda安装时的默认路径文件夹下（比如我的是在：C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.2 ）
  是把整个文件夹复制哦（bin,include,lib）
• 测试是否安装成功
• Win+R打开CMD终端执行：nvcc -V 即可看到cuda的信息：
• 
• 出现这样说明安装成功

五、安装anaconda

• 网上有教程，更着安装即可。随便找了一个安装即可：
  不用配置镜像下载环境，安装anaconda即可

六、安装PyTorch

• pytorch镜像下载链接: https://download.pytorch.org/whl/torch_stable.html
  
  
• cu后面的表示cuda版本（例如：cu116对应cuda116版本）
• cp后面表示python版本（例如：cp39对应python3.9）
• win_amd64对应系统版本
  选择对应的torch和torchvision版本下载即可。
• 打开anaconda prompt
  
• 方法一：
  
  在该界面输入（下面的示例不可以直接用）：

pip install D:\\Edge file\\torchvision-0.13.1+cu116-cp39-cp39-win_amd64.whl
# 只是示例不可直接用

pip install 后面跟着的是文件的地址
输入后候车即可

出现successfully即可（torch和torchvision安装方法一样下载好后按照这样的方式安装即可）
方法二：

• 当方法一安装不成功我们可以将下载好的torch和torchvision移动到
• 
  移动到电脑的账户文件夹下面：（我的就是31308文件夹下面）
  然后在anaconda prompt执行下面的语句即可一句一句执行上一句语言出现successfully再进行下一句语言的执行

pip install torchvision-0.13.1+cu116-cp39-cp39-win_amd64.whl
# 只是示例不可直接用

• pip install 后面加安装文件的全名然后回车即可
• 安装好了以后在anaconda prompt里面输入pip list
  
  看到这个就可以了。
• 安装torch和torchvision成功后下载的文件都可删除

测试是否安装成功

在anaconda prompt里面输入：

python 
import torch 
torch.cuda.is_available() 

出现ture就成功啦！

如果是False就是安装不成功，检查上述步骤排查问题。