Python —— Windows10下配置Pytorch环境、进行训练模型并测试（完整流程，附有视频）

已于 2023-02-23 17:36:17 修改
阅读量2.3k 收藏 9
点赞数 2
分类专栏： Python 文章标签： python pytorch 深度学习
于 2023-02-21 15:07:41 首次发布
automoblie0
本文链接：https://blog.csdn.net/automoblie0/article/details/129141972
版权
最终效果

 
在这里插入图片描述

 

配置流程

     一、下载安装显卡驱动

          1、查看设备管理器显卡是否为NVIDIA，并确定显卡型号

在这里插入图片描述
 
          2、根据显卡型号然后NVIDIA官网下载安装显卡驱动

               下载完成后，双击一步一步执行即可。

在这里插入图片描述
 
          3、安装完成驱动后，打开cmd终端输入"nvidia-smi"查看是否正常，若不正常则将C:\Program Files\NVIDIA Corporation\NVSMI添加到环境变量的path中。

在这里插入图片描述
 
 

     二、下载安装配置CUDA、cuDNN

          1、下载CUDA 10.02 并安装配置，这里我们使用10.2版本进行演示。

在这里插入图片描述
 
               双击下载的exe，选择自定义后，正常安装即可。

在这里插入图片描述
 
               安装结束后，系统会自动添加两个环境变量。
               （详细检查如下代码行内环境变量，需与自己电脑一致）

------------- 1、在环境变量中添加如下键值对(参考下图1部分) -------------
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2 
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

------------- 2、在Path环境变量中添加一行如下用;间隔的环境变量(参考下图2部分) -------------
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;

在这里插入图片描述

 

          2、下载cuDNN 10.02 并安装配置

                    对于cudnn直接将其解开压缩包，然后需要将bin,include,lib中的文件复制粘贴到cuda的文件夹下C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2

在这里插入图片描述
 
          3、CUDA配置测试

               在cmd终端执行"nvcc -V"

在这里插入图片描述

 
 

     三、下载安装Anaconda

          注意1：在安装本步骤前自行安装Python3.8.8。若已安装其他版本则删除，重新安装该3.8.8版本

          注意2：若安装Anaconda结束后发现安装目录下缺失很多文件，那么先卸载安装Anaconda；然后找到C:\Users\Administrator\下的.condarc文件和.conda文件夹删除后再次安装Anaconda。

          Anaconda 是一个用于科学计算的 Python 发行版，支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。

在这里插入图片描述
在这里插入图片描述
 

          安装完毕后打开conda程序如下图，然后修改Aanaconda国内镜像配置
在这里插入图片描述

// 修改国内镜像源
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/free/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

/*
	附加提示,若镜像源更慢那么可以恢复初始镜像源
	conda config --remove-key channels
*/

 
 

     四、下载安装Pytorch

          注意：使用yolov5版本v5.0代码，安装pytorch1.7以上的版本

          打开conda程序，如上图。

// 创建pytorch1.8.1虚拟环境 
conda create -n pytorch1.8.1 python=3.8.8

// 生效并进入pytorch1.8.1虚拟环境
conda activate pytorch1.8.1

// 在所创建的pytorch环境下在线安装pytorch的1.8.1版本
pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html


/*
	附1:删除虚拟环境:
		conda activate base					// 切换到基本环境
		conda env remove -n pytorch1.8.1 	// 删除pytorch1.8.1虚拟环境

	附2:若在线安装pytorch时下载太慢或失败则在下载指令后加入如下代码,下列代码为指定国内镜像源
		-i http://pypi.douban.com/simple --trusted-host pypi.douban.com
*/

 
          在线安装pytorch的1.8.1版本指令来源于PyTorch官网，可以参考：

在这里插入图片描述

 
          安装完毕后，执行如下图若没有出错则说明安装成功。

import torch
print(torch.__version__)
print(torch.version.cuda)
torch.cuda.is_available()    
print(torch.cuda.device_count())

在这里插入图片描述

 
 

     五、YOLOv5项目克隆和安装

          1、将yolov5源码下载

git clone https://github.com/ultralytics/yolov5.git

          2、解压yolov5源码并在conda终端中进入该源码目录中

// 安装所需要的库。后面的-i..为镜像源 可自行修改
pip install -r requirements.txt -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

          3、下载训练权重文件（提取码：gelf）

               将下载文件中的yolov5s.pt拷贝到yolov5源码的weights文件夹下（若weights文件夹不存在,则创建）。执行如下命令，然后查看yolov5源码目录的runs/detect/exp目录是否生成了检测后的两张图片。

// 使用weights/yolov5s.pt模型对./data/images/目录下的图片进行detect.py的逻辑检测后输出检测后的图片至./run/detect/exp目录下
python detect.py --source ./data/images/ --weights weights/yolov5s.pt --conf 0.4

在这里插入图片描述

 
 

     六、训练模型（如下视频1（较粗演示）、如下视频2（较细演示））

          本文5.3已下载了训练权重文件（提取码：gelf）。

 

笔者

笔者 - jxd

 

信必诺
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
在win10下进行pytorch版本yolov3安装及训练
12-22
1.下载 代码网址：https://github.com/ultralytics/yolov3 权重文件：这个好久之前下载的了网址找不到了 2.代码环境 Readme写的是python3.7，我用的是3.6 其他的根据requirements.txt安装可运行，可以先使用以下代码安装 pip install -U -r requirements.txt 安装列表中包含 numpy opencv-python >= 4.1 torch >= 1.4 matplotlib pycocotools tqdm pillow 你在安装中可能会遇到以下问题 提示torch版本不对 【解决方案】通过官网代码
python-pytorch 简单进行模型训练 的 Demo
最新发布
06-27
基于pytorch的超基础Demo，非常适合小白做研究。有较丰富的注释。主要还是自己用~
pytorch安装与测试
生活如此美好，致敬每一个热爱“热爱”的人！
03-16 8056
PyTorch的飞速发展 框架好不好用，咱们来看图说话！ 安装PyTorch：使用PIP的方法比较简单 先查看你的cuda版本： nvidia-smi 我的电脑cudaban版本是11.1的 用下面的网址找到对应的cuda版本，然后复制命令行在miniconda或者Anaconda的环境里安装即可。 https://pytorch.org/get-started/previous-versions/ 我的电脑安装命令就是： pip install torch==1...
[pytorch]完整的模型训练套路&&完整的模型验证(测试、demo)套路
m0_51955470的博客
05-09 306
【代码】[pytorch]完整的模型训练套路。
简易入门安装PyTorch及其测试验证
CDBmax的博客
01-02 2133
这篇博客详细介绍了在不同系统环境下安装PyTorch的方法，涵盖了在Windows系统中通过pip和conda安装GPU版本和CPU版本的详细步骤。它还提供了如何检验PyTorch安装是否成功的指导，包括如何验证PyTorch的基本功能和检查GPU版本的PyTorch是否可用。这篇文章是对希望在其设备上安装和测试PyTorch的用户的有用指南，特别是在处理不同的硬件配置和系统环境时。
pytorch神经网络训练及测试流程&代码
热门推荐
zero_ling
04-25 1万+
神经网络的训练及测试其实是个相对固定的流程，下面进行详细说明，包括命令行设置基本参数、如数据集路径等其他参数的设置、学习率、损失函数、模型参数的保存与加载及最终train.py与test.py的main()函数写法
Pytorch安装与测试
weixin_64443786的博客
04-15 3052
pytorch
pytorch的安装--测试
huoshi191的博客
09-10 2499
针对老旧GPU想顺利使用的话，请使用之前安装中查询到的最低版本进行安装。有些时候虽然测试成功，但在实际使用时会提示GPU太老，并且申请内存失败。上述结果为cuda:0表示pytorch安装成功。# 查看pytorch对应的cuda 版本。# 使用的是GPU的，会输出：cuda:0。# 判断pytorch是否支持GPU加速。#返回gpu名字，设备索引默认从0开始。# 使用的不是GPU的，会输出：cpu。# 查看pytorch 版本。
Python深度学习实战——基于Pytorch全书电子教案完整版ppt整套教学课件最全教学教程.pptx
06-09
Python深度学习实战——基于Pytorch全书电子教案完整版ppt整套教学课件最全教学教程.pptx
Python手写数字识别带手写板GUI界面 Pytorch代码 含训练模型
06-07
# Python手写数字识别带手写板GUI界面 Pytorch代码 含训练模型 1. 使用Pytorch实现手写数字识别的神经网络，包含卷积层和全连接层； 2. 训练代码可自行训练，同时也包含训练了140epoch的pth模型，可直接使用； 3. ...
pytorch训练图像分类模型pth转ONNX并测试
10-29
3. 含训练和测试数据，含训练ok的pth模型和ONNX模型，含完整python和C++实现； 4. 使用方法：首先运行“TrainTestConvertOnnx.py”执行“训练数据读入、模型训练、模型测试、导出onnx”，再运行“TestOnnx.cpp”...
动手学深度学习（二）——windows10系统中pytorch安装（从显卡驱动开始）
Liu Feng's Blog
08-16 2897
一、深度学习模型入门 二、pytorch构建深度学习模型
pytorch安装和测试
weixin_42856170的博客
04-05 694
pytorch安装和测试
Windows11下pytorch环境运行测试YOLOV5
weixin_43402278的博客
06-26 1806
python detect.py --source ./data/images/testfiles --weights ./weights/目标检测模型/yolov5x.pt。不过要注意，自己的数据集不建议放在这个路径下面，建议把数据集放到YOLOv5项目的同级目录下面。注意：安装依赖时要在自己创建的虚拟环境中安装，并路径要切到requirements.txt文件的项目路径中。以上就是搭建相关环境对yolov5进行运行测试，后续可以在yolov5模型的基础上做自己的数据集并进行训练。// 安装所需要的库。
win10安装pytorch全网最好用的教程[2023.5.7更新]
ZHUO__zhuo的博客
05-07 2381
PyTorch 是 Facebook AI Research 和其他几个实验室的开发者的工作成果。该框架将 Torch 中高效而灵活的 GPU 加速后端库与直观的 Python 前端相结合，后者专注于快速原型设计、可读代码，并支持尽可能广泛的深度学习模型。Pytorch 支持开发者使用熟悉的命令式编程方法，但仍可以输出到图形。它于 2017 年以开源形式发布，其 Python 根源使其深受机器学习开发者的喜爱。
pytorch基础教程(目标检测)
m0_62150796的博客
12-04 2329
基于pytorch的cv基础教程
GPU性能的简单测试脚本（pytorch版）
一个学习困难症患者的破博客
08-30 1万+
GPU性能的简单测试脚本（pytorch版）
pytorch简单案例
qq_62678867的博客
09-11 1216
使用pytorch做了一个非常简单的线性回归模型和一个单分类模型
强化学习入门-Pytorch(CPU版本)简介、安装与测试运行
zjh2883的博客
02-06 2962
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。本文主要介绍Pytorch的简介、查看设备是否有GPU、安装CPU版本的Pytorch，并测试运行。
用代码在pytorch上写训练模型的测试集，对测试集进行预测
08-21
### 回答1： 可以使用以下代码在pytorch上写训练模型的测试集，对测试集进行预测： ``` # 加载测试集数据 test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False) # 设置模型为评估模式 model.eval() # 预测测试集 with torch.no_grad(): for data in test_loader: inputs, labels = data inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) # 在这里可以对预测结果进行处理 ``` 注意，这只是一个示例代码，具体实现需要根据具体情况进行调整。 ### 回答2： 在PyTorch上编写和训练模型后，可以使用以下代码对测试集进行预测： 首先，确保模型已经加载并准备好进行推理。 ```python import torch # 加载模型 model = torch.load('model.pth') ``` 接下来，准备测试集数据。假设测试集数据保存在名为`test_data`的变量中。 ```python test_data = ... ``` 然后，将测试集数据转换为PyTorch Tensor对象，并通过模型进行预测。 ```python # 转换为Tensor对象 test_tensor = torch.Tensor(test_data) # 模型推理 model.eval() with torch.no_grad(): predictions = model(test_tensor) ``` 预测结果将保存在名为`predictions`的变量中。 最后，你可以根据需要进行后续处理，如将Tensor转换为Numpy数组或进行其他计算。 这是一个示例代码片段，你可以根据自己的需求进行修改和适应。请确保实际使用时，模型和测试集数据已正确加载和准备好。 ### 回答3： 在PyTorch中，可以通过以下代码来编写训练模型并对测试集进行预测。 首先，我们需要导入必要的库。 ```python import torch import torch.nn as nn import torch.optim as optim ``` 接下来，我们定义模型的结构。这里以一个简单的全连接神经网络为例： ```python class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(10, 20) self.relu = nn.ReLU() self.fc2 = nn.Linear(20, 1) self.sigmoid = nn.Sigmoid() def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) x = self.sigmoid(x) return x model = SimpleNet() ``` 然后，我们加载已经训练好的模型参数。 ```python model.load_state_dict(torch.load('model.pth')) ``` 接下来，我们需要定义测试数据集。这里以一个简单的例子为例，我们可以使用随机生成的数据进行测试。 ```python test_data = torch.randn(100, 10) # 100个样本，每个样本有10个特征 ``` 现在，我们可以将测试数据输入到训练好的模型中进行预测。 ```python with torch.no_grad(): test_output = model(test_data) ``` 最后，我们可以根据预测结果进行后续的评估、分析等操作。 ```python # 对预测结果进行处理 predictions = test_output.round() # 四舍五入取整 # 对预测结果进行输出 for i, prediction in enumerate(predictions): print(f"样本{i + 1}的预测结果为: {prediction.item()}") ``` 以上就是使用PyTorch进行模型的测试集预测的基本代码。根据实际情况，你还可以对模型的输入输出进行相应的调整和处理。

“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
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

打赏作者

信必诺

嗨，支持下哥们呗。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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