文章总览:YuanDaiMa2048博客文章总览
PyTorch版本说明与安装
- PyTorch可以看作是Python的一个库,准确地说,它是一个深度学习框架,提供了许多用于构建、训练和部署神经网络模型的功能和工具。
一、基于GPU和基于CPU的PyTorch区别
- 主要在于它们运行深度学习模型时所利用的硬件资源不同
-
基于GPU的PyTorch:
- 使用GPU(图形处理单元)加速深度学习计算。GPU具有大量的并行处理单元,适合处理大规模的矩阵运算,这使得在GPU上运行深度学习模型速度更快。
- PyTorch提供了针对GPU的优化,可以很容易地将模型和数据移到GPU上进行训练和推理。
- 在处理大规模数据集或复杂模型时,利用GPU可以显著提高训练速度,缩短实验迭代周期。
-
基于CPU的PyTorch:
- 使用CPU(中央处理单元)进行深度学习计算。虽然CPU的并行性较弱,但它适用于处理较小规模的数据集和模型。
- 在一些较小的模型或者对训练速度要求不高的情况下,使用CPU也可以完成深度学习任务。
- CPU适用于一些需要在资源受限的环境下运行的情况,例如移动设备或者无法使用GPU的云服务器。
综上所述,基于GPU和基于CPU的PyTorch主要区别在于性能和适用场景。GPU适用于大规模数据和模型的深度学习任务,而CPU则适用于较小规模的任务或者资源受限的环境。
二、查看是否能够安装GPU版本的PyTorch
-
GPU型号:首先,需要确保计算机上安装了支持CUDA的NVIDIA GPU。PyTorch的GPU版本依赖于CUDA加速,因此GPU必须支持CUDA才能使用GPU版本的PyTorch。可以通过执行命令
nvidia-smi
来查看GPU型号和CUDA的安装情况。 -
CUDA驱动:需要安装适用于本机GPU型号的CUDA驱动程序。PyTorch的GPU版本需要与正确版本的CUDA驱动配套使用。可以在NVIDIA官方网站上查找适合GPU型号的CUDA驱动程序。
-
CUDA工具包:CUDA Toolkit(CUDA工具包)是NVIDIA提供的一个软件包,用于支持CUDA平台的开发和运行。它包含了CUDA驱动程序、CUDA运行时、CUDA库、编译器、开发工具和示例等组件,可以让开发者利用GPU进行并行计算。
-
PyTorch GPU版本:最后,安装PyTorch的GPU版本。
三、如何安装基于GPU的PyTorch
1. 检查本机CUDA
- 查看显卡驱动版本
nvidia-smi
- 查看cuda版本
nvcc -V
- 如果没有显示,则上官网安装。可以参考CUDA Toolkit安装教程(Windows)
- 下载地址:CUDA Toolkit 12.1 Downloads
2. PyTorch安装
在Anaconda中创建Pytorch环境
- 命令:
conda create -n Pytorch python=3.8
- 激活:
activate Pytorch
- anaconda相关命令使用,可参考[日常使用] Anaconda常用命令
生成PyTorch的安装命令
- PyTorch官网:PyTorch官网
在官网上根据电脑配置选择,自动生成命令,如下图:
最终版本信息:
cuda版本 | python版本 | 命令 |
---|---|---|
12.1 | 3.8 | pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 |
-
将 pip3 替换为 pip 后可以运行
-
安装完成后检测是否成功,在Anaconda中激活环境,之后输入
python
,进入python环境,逐条输入下列命令进行包的检测>>> import torch >>> print(torch.cuda.is_available()) True >>> print(torch.__version__) 2.1.2+cu121 >>> print(torch.cuda.is_available()) True >>> print(torch.__version__) 2.1.2+cu121 >>> exit()
-
PyTorch安装成功后可以安装以下一些常用的包,注意安装顺序,先安装scipy再安装scikit-learn
pip install scipy
pip install matplotlib
pip install scikit-learn
扩展工具
- Deep Graph Library (DGL)
- 官方网站: Deep Graph Library
- 简介:DGL 是一个开源的、高性能的图神经网络(GNN)库,专门用于构建和训练图神经网络。
- 系统要求:
- 支持的操作系统:Linux (CentOS 8+ / Ubuntu 20.04+)、macOS X (10.9+)、Windows (10+ / Server 2016+)。
- 支持的Python版本:3.8, 3.9, 3.10, 3.11, 3.12。
- 支持的深度学习框架:PyTorch (2.1.0+)、Apache MXNet (1.6+)、TensorFlow (2.3+)。
- 附加支持:提供GPU支持的DGL Docker容器,适用于基于NVIDIA NGC的x86和ARM Linux系统。
- 安装指南:提供从源代码构建DGL的详细指南。
- 学习资源:提供丰富的教程和文档,帮助用户学习DGL的使用。
- 与Amazon SageMaker集成:提供了在Amazon SageMaker上使用DGL的示例Notebooks,包括:
- 使用GCN进行知识库的半监督分类。
- 使用大规模知识图数据集学习嵌入。
- 使用GCN预测分子的毒性属性。
- 使用GCMC实现的电影推荐系统。