【深度学习】Anaconda创建虚拟环境+pytorch安装

目录

一、开篇

二、python版本

三、创建虚拟环境并使用

三、pytorch安装

四、小结

---

一、开篇

        笔者近期需要对NLP领域论文中的一些模型进行复现，打算创建一个新的环境进行实验，简单记录一下这个过程。本文包括虚拟环境创建以及导库的一系列流程，特别是关于pytorch的安装。

二、python版本

        查看python版本，用于创建环境时选择相应的版本。在学习机器学习和深度学习前，大家可能已经下载过python并配置了环境变量。但是可能时间久远，已经忘记了当时的版本号。

        搜索cmd打开命令窗口，并输入（注意V是大写）查看版本号：

python -V

        如下：

         可以看到版本为3.8。

三、创建虚拟环境并使用

（1）打开Anaconda Prompt

        初始都是默认进入base环境，下面罗列一些常用指令：

conda list #查看当前环境已经有的库

conda env list #查看已有虚拟环境

activate (环境名) #激活环境

pip install (需导入的库名) -i https://pypi.tuna.tsinghua.edu.cn/simple #在自己想要的环境下导入需要的库，库名后面跟“==版本”可精确所要的版本号，否则使用默认，-i后面添加清华镜像源，导库先人一步

pip uninstall (需要删除的库名) #需要的库版本不对，删掉重来

（2）创建我的新环境mynlp (环境名自拟)

        指令：

conda create -n (环境名) python=(自己的python版本号)

        如下：

        会有提示[y/n]？输入y即可。输入后会有一段加载进度条。

（3）激活环境

        当我们创建好自己的环境后，需要激活环境，才能在指定环境中配置相应的库文件。

        指令：

activate (环境名)

        如下：

        观察会发现激活环境后，前方的(base)环境，变成了我们激活的新创建的环境(mynlp)，说明环境激活成功。

（4）导库

        一般论文或者是日常项目，严谨的作者都会在项目中保留一个名为requirement.txt文件，其中会指明本文项目或模型所使用的库版本。运行其项目的代码，最好使用相同版本库，避免由于版本问题导致的代码运行出错。

        下面我们开始依次导库。

        指令：

pip install (需导入的库名) -i https://pypi.tuna.tsinghua.edu.cn/simple

        如下演示如何导入指定版本accelerate==0.4.0：

pip install accelerate==0.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

        在导入过程中，会有进度条提示，使用镜像源之后，速度会有较大提升，导入成功后会有Successfully等一串成功提示（没报错一般都是成功或者已经有库不用重复导库的提示）。

        常用的一些镜像源如下，使用方法相同，跟在-i后面：

清华大学：https://pypi.tuna.tsinghua.edu.cn/simple
阿里云：http://mirrors.aliyun.com/pypi/simple
豆瓣：http://pypi.douban.com/simple
中国科技大学：http://pypi.mirrors.ustc.edu.cn/simple
网易云：https://mirrors.163.com/pypi/simple

四、pytorch安装

        在学习深度学习的过程中，总会使用主流框架中的一种，pytorch就是其中之一，由于其对不同硬件和操作系统有不同适配，因此其安装与其他库安装会有一些不同。

（1）查看CUDA版本（使用GPU训练）

        根据自身电脑的CUDA版本，选择对应的pytorch版本。

        输入指令：

nvidia-smi

        如下：

        可以看到笔者电脑中的CUDA Version为11.4，因此我在选择pytorch版本时不选择高于11.4的版本，直接选择11.4对应的版本。

（2）pytorch官网查看：

        pytorch官网：https://pytorch.org/

        下滑可以看到如下界面：

        点击红色部分进入历史版本，进行进一步选择。本文论文使用的pytorch版本是torch==1.9.1，检索历史记录可以找到这个版本，并且它的CUDA版本要求是11.3（我是11.4）因此可以兼容。如果CUDA版本达不到要求，又想用论文项目对应的pytorch，可以选择CPU训练（如下图）。

（3）pytorch安装

        根据自身需求从pytorch官网历史记录中找到相应版本，复制安装指令，在自己虚拟环境下进行安装即可。

        例如笔者运行指令：

conda install pytorch==1.9.1 torchvision==0.10.1 torchaudio==0.9.1 cudatoolkit=11.3 -c pytorch -c conda-forge

        下载时间会有一点久，耐心等待……

五、小结

        笔者在学习的过程中，就环境问题其实也踩过不少坑，比如环境的库是否真正隔离，或者一些库导入的时候可能会影响到其他库等等。似乎解决的最好方式就是多练多搜，实在不行，那就删掉重新开始！在反复折磨的过程中，积攒的经验会让你走的更远。