Win10快速部署基于Pytorch(GPU)的深度学习环境

目前，接受度最高的深度学习框架恐怕就是Pytorch了。相对来说，Pytorch部署比较简单，版本之间的兼容程度明显好于Tensorflow。使用一些预先定义好的框架实现深度学习功能还是很方便的。这篇博客基于我对Pytorch代码部署的一些经验，提炼出一些部署该平台的注意事项，希望能够帮助那些对于该平台没有任何知识背景的同学，尽快上手。

1. 基于Anaconda虚拟环境的Python环境

首先我们需要安装Pycharm与Anaconda。

Pycharm：下载 PyCharm：JetBrains 为专业开发者提供的 Python IDE

Anaconda：Anaconda | The World's Most Popular Data Science Platform

对于Pycharm的激活，如果你是学生，又有教育后缀邮箱，可以使用该邮箱免费获得证书。

下载安装后，打开pycharm，File->New Project

然后来到如下界面：

Location目录为你项目的地址。如果拟的anaconda配置成功，这里可以直接在New Conda Environment里的Location中配置拟的python虚拟环境路径以及选择对应的python版本。我一般会选择3.7版本。

2. 安装基于GPU的Pytorch

首先我们需要确定系统中的cuda版本，如果你还没有安装，首先要安装cuda。我安装的Cuda版本是11.1。查看系统的cuda版本，打开cmd使用命令

nvcc --version

在我的机器上显示如下：

安装cudatoolkit，由于之前的cuda版本是11.1，那么对应的在python环境中也要安装对应版本的cudatoolkit，使用命令：

conda install -c anaconda cudatoolkit

实际安装的应该是11.0版本，问题不大。安装cudatoolkit后，要安装cudnn。

conda install -c anaconda cudnn

这里我们以torch1.7.1为例，部署代码如下： 

pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 -f https://download.pytorch.org/whl/torch_stable.html

如果你希望使用其他版本，可以查询网址：

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

另外，更早的pytorch版本，如0.4.2等，可以参看：

Previous PyTorch Versions | PyTorch

3. 测试代码

import torch
flag = torch.cuda.is_available()
if flag:
    print("CUDA可使用")
else:
    print("CUDA不可用")

ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print("驱动为：",device)
print("GPU型号： ",torch.cuda.get_device_name(0))

输出如下内容，则说明配置成功。

这个项目我只是用来学习的，所以硬件差一点也可以接受。如果希望能够在实际项目中使用相关代码实现训练，显存以及显卡的算力还是要达到一定要求的。