PyTorch学习（一）----pytorch环境搭建

PyTorch

该系列笔记主要参考了小土堆的视频教程，传送门：P1. PyTorch环境的配置及安装（Configuration and Installation of PyTorch)【PyTorch教程】_哔哩哔哩_bilibili

涉及到的文件/数据集网盘：
链接：https://pan.baidu.com/s/1aZmXokdpbA97qQ2kHvx_JQ?pwd=1023
提取码：1023

PyTorch 是一个开源的机器学习库，主要用 Python 编写，基于 Torch 库。它由 Facebook 的人工智能研究团队开发，提供用于构建和训练深度学习模型的强大工具。PyTorch 的设计强调灵活性和直观性，使得研究人员和开发者能够快速地测试新想法并进行实验。

PyTorch 最显著的特点之一是其动态计算图。这意味着计算图是在运行时根据代码执行情况动态生成的，这对比于静态计算图（如TensorFlow早期版本中的那样），为研究人员提供了更大的灵活性，便于调试和快速迭代模型。

PyTorch 提供了以下关键功能：

1. 张量(Tensors)：类似于 NumPy 数组，但可以在 GPU 上运行，支持自动微分，是构建深度学习模型的基础。后面我会创建具体的例子带你看Tensor类型数据和普通类型数据有什么不同。
2. 自动微分(Automatic Differentiation)：通过 .backward() 函数自动计算梯度，极大简化了训练过程。
3. 深度神经网络构建模块(DNN building blocks)：包括各种预先定义好的层、激活函数和优化器，可快速搭建神经网络。
4. 数据加载器(Data Loaders)：高效的数据处理和加载工具，支持大型数据集的并行加载。
5. 分布式训练(Distributed Training)：支持多GPU和多节点训练，便于扩展到大规模计算环境。
6. C++ 前端(Frontend)：除了Python前端外，PyTorch还提供了C++接口，以适应更多应用场景的需求。

由于其易用性和强大的功能，PyTorch 已成为机器学习和深度学习领域中非常流行和广泛使用的框架之一，尤其是在研究领域。

创建虚拟环境并安装pytorch

pytorch官网：PyTorch，点击get start 然后选择合适的版本，在虚拟环境中使用pip命令/conda命令都可以进行下载。

我选择安装版本：python3.8、pytorch2.3、CUDA12.1

网络安装：在官网选择需要的版本之后，可以选择conda或pip方式进行安装，在虚拟环境中运行即可，安装后使用conda list 查看当前环境中的python包，看看是否有对应的torch包

本地安装：将下载好的安装包放到Anaconda3/pkgs下面，然后在虚拟环境中使用conda install –use-local 包名 进行安装

检验当前torch是否能成功调用GPU：

import torch     	
torch.cuda.is_available()

输出True即为成功，如果使用的不是英伟达显卡，则出现False。