Windows下安装PyTorch0.4.0

最新推荐文章于 2023-05-06 00:20:31 发布
VIP文章 最新推荐文章于 2023-05-06 00:20:31 发布
阅读量1.3w 收藏 19
点赞数 6
分类专栏： 深度学习 PyTorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/amusi1994/article/details/80077667
版权
Summary: Windows下安装Pytorch0.4.0
Author: Amusi
Date: 2018-04-25

注意： Pytorch0.4.0才开始支持Windows

Pytorch官网

PyTorch github



前言
PyTorch0.4.0开始支持Windows平台！官方支持！！！

环境介绍

硬件环境

  • NVIDIA GTX 960m


软件环境

  • Window10旗舰版
  • Python3.5（Anaconda版）
  • CUDA8.0
  • cudnn v6.0


安装教程

跟着官网走： http://pytorch.org/

安装方法1：pip

用pip安装，注意Python的版本和CUDA的版本（根据自己的配置选择）
1. 打开cmd命令提示符，先利用anaconda创建一个虚拟环境，命名为pytorch4
  • conda create -n pytorch4 python=3.5

2. 激活刚才创建好的虚拟环境

    最低0.47元/天 解锁文章
    Amusi（CVer）
    关注
    • 6
      点赞
    • 踩
    • 19
      收藏
      觉得还不错? 一键收藏
    • 7
      评论
    专栏目录
    详解pytorch 0.4.0迁移指南
    01-01
    总说 由于pytorch 0.4版本更新实在太大了, 以前版本的代码必须有一定程度的更新. 主要的更新在于 Variable和Tensor的合并., 当然还有Windows的支持, 其他一些就是支持scalar tensor以及修复bug和提升性能吧. Variable和Tensor的合并导致以前的代码会出错, 所以需要迁移, 其实迁移代价并不大. Tensor和Variable的合并 说是合并, 其实是按照以前(0.1-0.3版本)的观点是: Tensor现在默认requires_grad=False的Variable了.torch.Tensor和torch.autograd.Variabl
    Windows系统下官方正式版PyTorch 0.4.0 安装测试
    airlooking的博客
    04-25 2698
    0.引言 喜大普奔，PyTorch于近日终于正式发布官方Windows版本啦！看到消息后马上进行了安装和测试，在这里记录一下。由于官方在windows系统上目前暂时只支持python3版本，所以今天将在Windows10上通过Anaconda3+python3.6进行安装和测试。 无论在Ubuntu还是在Windows中，我觉得Pytorch的安装一直是如此的简单明了，没有其他框架来的那么...
    使用pip安装pytorch出现torch-0.4.0-cp36-cp36m-win_amd64.whl is not a supported wheel on this platform
    qq_45326210的博客
    05-06 400
    搜了一波，网上大多都说是因为安装的anaconda或者python是32位的，而我看了一下我的python版本，是64位没错。所以更换python版本对我来说行不通.
    Windows系统安装和使用PyTorch 0.4.0 （官方已经支持 Windows ）
    热门推荐
    sunqian的博客
    04-25 5万+
    PyTorch 0.4.0 官方已经支持 Windows 系统 2018年4月25号，PyTorch 官方发布 0.4.0 版本，该版本的 PyTorch 有多项重大更新，其中最重要的改进是官方支持 Windows (详细改动见Pytorch官方GitHub)： Tensor/Variable 合并 零维张量 数据类型 迁移指南 Windows 支持 C++ 扩展 ONNX 改进 支持 RN...
    在Win10上安装Pytorch0.4.0及其他相关安装包（基于《深度强化学习入门与实践指南》）
    weixin_47331580的博客
    12-04 2357
    最近在学习《深度强化学习入门与实践指南》，书对应的示例代码的各种安装包版本较低，特别是Pytorch的0.4.0版本在官网上一直没找到，折腾了好一段时间。因此写下这日志来记录一下自己成功安装的经历。 这里DRL是自定义的虚拟环境名。由于书中写道所有代码都是用python3.6版本写的，因此这里选择虚拟环境的python版本为3.6。首先安装numpy包。进入DRL虚拟环境然后安装对应版本的numpy：
    Linux实验室服务器（非root权限）安装Anaconda、Cuda10.0、cudnn、Pytorch1.1.0、torchvision0.4.0
    weixin_45097144的博客
    11-17 2582
    最近在用实验室的服务器复现立体匹配网路CasStereoNet时，出现了pytorch版本不匹配的错误，如下：尝试在代码中的model的forward前面加@staticmethod，然后再在使用model的时候，把output=model(input)变成output=model.forward(input)并没有什么用，也尝试了.apply（）的改法还是报错，最后索性换个环境。安装过程中也踩了很多坑，就写个总结好啦。
    详解 Pytorch 实现 MNIST
    绿色羽毛
    07-11 9289
    MNIST虽然很简单，但是值得我们学习的东西还是有很多的。 项目虽然简单，但是个人建议还是将各个模块分开创建，特别是对于新人而言，模块化的创建会让读者更加清晰、易懂。 CNN模块：卷积神经网络的组成； train模块：利用CNN模型 对 MNIST数据集 进行训练并保存模型 test模块：加载训练好的模型对测试集数据进行测试 cnn.pt ： train 的CNN模型 注意！ 有GPU的小伙伴尽量使用GPU训练，GPU的训练速度比CPU的训练速度高许多倍，可以节约大量训练时间 CNN 模块 MN
    pytorch 0.4.0 for python3.6 官方windows64位版本
    04-25
    pytorch 0.4.0 for python3.6 官方windows64位版本， pip安装
    pytorch 0.4.0 for python3.5 官方windows64位版本
    04-25
    pytorch 0.4.0 for python3.5 官方windows64位版本，pip安装
    Python库 | pytorch3d-0.4.0-cp37-cp37m-macosx_10_9_x86_64.whl
    05-09
    资源分类：Python库 所属语言：Python 资源全名：pytorch3d-0.4.0-cp37-cp37m-macosx_10_9_x86_64.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
    pytorch-scripts:一些针对Windows的PyTorch脚本
    04-13
    更新：从0.4.0开始，您可以转到进行安装。 这里的软件包将不会更新。 如果您只想尽快安装PyTorch，可以尝试一下。 PyTorch的conda软件包的当前版本是0.3.1。 您首先需要Anaconda。 然后键入以下命令。 # If your ...
    pytorch——mnist手写数据识别
    m0_51311105的博客
    12-03 1万+
    1、pytorch自带的数据集 pytorch中自带数据集由两个上层的API提供，分别是torchvision和torchtext。其中，torchvision提供了对照片数据处理相关的API和数据，数据所在位置：torchvision.datasets，比如torchvision.datasets.MNIST（手写数字照片数据）；torchtext提供了对文本数据处理相关的API和数据，数据所在位置：torchtext.datasets，比如torchtext.datasets.IMDB...
    【PYTORCH】Pytorch0.4.0安装教程与GPU配置大合集（含测试代码）
    m0_58810879的博客
    12-25 7810
    1.查看pytorch是否存在以及pytorch的版本 import torch print(torch.__version__) 2.查看cuda是否可用 print(torch.cuda.is_available()) 3.查看cuda版本 print(torch.version.cuda) 4.查看当前工作的GPU print(torch.cuda.current_device()) 5.查看gpu的数目 print(torch.cuda.device...
    PyTorch 手把手教你实现 MNIST 数据集
    我是小白呀的博客
    06-27 1万+
    Pytorch 手把手教你实现 MNIST 数据集. (超详细)
    pytorch实现 minist 手写体分类任务
    differencer的博客
    11-21 1793
    minist的分类任务在深度学习界属于hello world 级别的任务了，虽然任务简单，但是对入门来说还是相当重要的，这里采用pytorch来实现这个minist手写数字的分类任务采用jupyter notebook的形式展现步骤。
    pyTorch入门（一）——Minist手写数据识别训练全连接网络
    Vaccae的博客
    11-28 2369
    学更好的别人，做更好的自己。——《微卡智享》本文长度为1739字，预计阅读5分钟前言做为pyTorch的刚入门者，需要自己再做Demo进行练习，所以这个入门是一个系列，从pyTorch开始的训练，保存模型，后续再用C++ OpenCV DNN进行推理，再移植到Andorid中直接实现手写数学识别，算是个整套流程的小项目实战。今天是第一篇，写一个最简单的全连接Minist数据集pyTorch的训练。...
    PyTorch 之 神经网络 Mnist 分类任务
    每天进步一点点！
    03-20 3677
    在上一篇博客当中，我们通过搭建 PyTorch 神经网络实现了气温预测，这本质上是一个回归任务。在本次博文当中，我们使用 PyTorch 做一个分类任务。其实，分类任务和回归任务在本质上没有任何区别，只是说在结果上是不同的，损失函数是不同的，中间的网络架构却是大体一致的。在本次的分类任务当中，我们使用的数据集是 Mnist 数据集，这个数据集大家都比较熟悉，可以在中获取，主要包括四个文件：文件名称大小内容9,681 kb55000 张训练集，5000 张验证集29 kb。
    Pytorch入门--详解Mnist手写字识别
    weixin_44888196的博客
    07-23 8894
    代码每句都有其详细的注释，适合刚刚接触的小白。代码块直接粘贴，即可调试运行出结果。对神经网络有个直接感受
    在python2.7环境中如何安装pytorch 0.4.0
    最新发布
    07-25
    在 Python 2.7 环境中安装 PyTorch 0.4.0 可以按照以下步骤进行： 1. 首先，确保你已经安装了 Python 2.7 和 pip。 2. 打开终端或命令提示符，运行以下命令来安装 PyTorch 0.4.0： ``` pip install http://download.pytorch.org/whl/cpu/torch-0.4.0-cp27-cp27m-linux_x86_64.whl ``` 如果你使用的是 Mac 或者 Windows，可以根据自己的系统替换链接中的 `linux_x86_64` 部分。如果你想要安装 GPU 版本的 PyTorch，请将链接中的 `cpu` 替换为 `cu80`（CUDA 8.0）、`cu90`（CUDA 9.0）或 `cu101`（CUDA 10.1）。 3. 安装完 PyTorch 后，你还需要安装 torchvision。运行以下命令： ``` pip install torchvision==0.2.1 ``` 这将安装与 PyTorch 0.4.0 兼容的 torchvision 版本。 现在，你应该已经成功在 Python 2.7 环境中安装了 PyTorch 0.4.0。你可以在代码中导入 PyTorch 来验证安装是否成功。

    “相关推荐”对你有帮助么？

    • 非常没帮助
    • 没帮助
    • 一般
    • 有帮助
    • 非常有帮助
    提交
    评论 7
    添加红包

    请填写红包祝福语或标题

    个

    红包个数最小为10个

    元

    红包金额最低5元

    当前余额3.43元 前往充值 >
    需支付：10.00元
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包
    实付元
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明：

    1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

    余额充值