【人工智能实验室】2022寒假第二次培训（包含环境配置）

        此次培训为写模型预测代码。在描述代码前，我先将自己配环境的血泪史附上。

        笔者一开始创建了一个torch版本1.2.0、CUDA版本10.0的虚拟环境，但是由于torch版本不够，所以运行后会报错，跑不了此次培训代码，这是因为1.2.0的torch没有Hardswish这个属性，只有更高级的版本才有。以下网址打开可以查看torch版本即它们对应的属性和方法有哪些。

https://pytorch.org/docs/versions.htmlhttps://pytorch.org/docs/versions.html        于是我就决定安装torch1.9.0，但是又不想删去已有的虚拟环境（因为还有其他用处），所以重新创建了一个虚拟环境。一开始我用轮子的方式来装torch，没有注意到cpu和gpu版本的区别，结果装了cpu版本的torch，而我需要的是gpu版本，于是乎只能重新安装gpu版本的环境了。附上轮子下载的网页：

https://download.pytorch.org/whl/torch_stable.htmlhttps://download.pytorch.org/whl/torch_stable.html

        如图，如果用轮子安装的，文件名前面为cpu的表示cpu版本；前面为cu的才是gpu版本，cu102表示CUDA10.2。同理，用轮子安装torchvision也是通过这样的方式来下载对应版本。 

        当我好不容易安装好gpu版本torch的时候，我没有意识到torch、torchvision、CUDA三者版本之间的对应性，想当然装了自己想要的版本，结果没对应好导致根本就无法跑代码。所以悲伤的我只能再一次重新安装想要的torch环境。由于我系统装的CUDA版本是10.0，支持torch的最高版本只到1.2.0，而torch1.9.0对应的CUDA版本之一为10.2。这我就头大了，难道我还要卸载CUDA10.0再去安装CUDA10.2？不过好在后来我发现完全可以在虚拟环境安装其他版本的CUDA，和系统的CUDA的版本不会产生冲突，而且只需要指令就能实现安装，不需要像安装系统CUDA那样那么麻烦（比如什么环境变量配置）。于是我就去pytroch官网找到torch1.9.0、CUDA10.2对应的安装命令，这次安装我没有选择轮子，当然官网也提供了轮子方式的命令下载，读者根据自己的需要选择哪种命令即可。官网链接如下：
Previous PyTorch Versions | PyTorchhttps://pytorch.org/get-started/previous-versions/        

        如图，根据我的需要，我选择了红框处的命令。但是在cmd（终端一定要先激活到虚拟环境然后再用这些命令！！！！）输入命令后发现哪些包安装得极其漫长，等了巨久结果还是没安装成功，所以我上网搜索了方法，指令后面的-c pytorch指定了下载的来源是官网，所以导致速度很慢，如果将下载源换成国内的清华源，速度会提高很多。换源操作如下：

1、使用命令将清华源网址添加conda源

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

2、安装命令去掉-c pytorch后在输入终端

conda install pytorch==1.9.0 torchvision==0.10.0 cudatoolkit=10.2

         清华源链接：

anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirrorhttps://mirrors.tuna.tsinghua.edu.cn/help/anaconda/        这下速度真的提高了很多很多很多！！！很快我需要的环境都装好啦！！！最后一步安装cuDNN，这时候只要输入命令conda install cudnn即可，这里不需要指定cudnn版本，终端会根据前面安装的环境自动判断需要的cudnn版本。当然如果读者不放心还是可以到cudnn官网查询对应版本的cudnn版本，然后指令改为conda install cudnn == XXX。

        创建一个python文件，copy如下内容再运行可以测试cuda是否可用（可用输出为True）以及其版本。

import torch
print(torch.cuda.current_device())   # 返回当前设备索引
print(torch.cuda.device_count())    # 返回GPU的数量
print(torch.cuda.get_device_name(0))   # 返回gpu名字，设备索引默认从0开始
print(torch.cuda.is_available())   # cuda是否可用
print(torch.version.cuda)  # cuda版本

        准备就绪后，再去跑代码，发现报错

Original error was: DLL load failed while importing _multiarray_umath: 找不到指定的模块，解决方案

        发现这是由于Numpy版本太低了，无法匹配对应的python版本。我用pytorch官网提供的指令安装环境时，有些包也会跟着安装上，其中numpy安装为1.21.2版本，python安装了3.9版本，所以这就说明有时候通过pytorch官网提供的指令下载的自动匹配的包也可能版本不对应。但是这些包的安装相对于torch、torchvision来得容易，只需要先指令卸载pip uninstall xxx（包名，如numpy），然后再用指令pip install numpy即可，同理cudnn，终端会自动匹配对应的numpy。安装完成后查看版本，此时numpy版本为1.22。再次运行代码，成功！！！所以说明Python3.9对应的numpy版本为1.22。单个包的安装指令版本自动配对不会出现问题，但是如果像pytroch官网提供的安装torch的指令下，安装其他自动匹配的包，版本可能会出错。

        终于大功告成！！！

        这里再提醒读者一些细节：

        1、若不用pytorch官网提供的安装torch指令，而使用下载轮子的方式话，需要先了解torch和torchvision以及CUDA三者版本的对应关系（这个直接去百度都有），然后再去分别下载对应版本的轮子。

        2、直接用指令pip install torch == xxx安装的torch为cpu版本。

        3、装环境前一定要先全过程浏览、掌握，不能装一个看一个，这样很容易踩坑！！！

        4、安装太慢除了换清华源还可以用如下方式（来自大佬的博客）：

(11条消息) 深度学习环境配置2——windows下的torch=1.2.0环境配置_Bubbliiiing的学习小课堂-CSDN博客_神经网络学习小记录48https://blog.csdn.net/weixin_44791964/article/details/106037141

               5、numpy对应版本的python 链接：

Python Extension Packages for Windows - Christoph Gohlke (uci.edu)https://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy                好啦！接下来正式进入培训内容讲解！