Pytorch GPU 训练环境搭建

最新推荐文章于 2024-03-30 19:27:07 发布
VIP文章 最新推荐文章于 2024-03-30 19:27:07 发布
阅读量596 收藏 1
点赞数
分类专栏： 软件测试 测试开发 文章标签： pytorch 深度学习 python
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/hogwarts_ziqi/article/details/129349247
版权

之前⼀直使⽤ Tensorflow 训练模型，第⼀次训练Pytorch模型的时候，发现速度很慢，仔细观察，发现GPU 内存占⽤为0，基本没有使⽤GPU。

AssertionError: CUDA unavailable, invalid device 0 requested
cuda不可⽤报错，现实没有有效的驱动可使⽤

测试cuda是否配置正确

import torch
print(torch.cuda.is_available())

重新安装cuda

检测本地GPU CUDA版本 nvidia-smi

1080×566 89.1 KB

pip3 install torch1.9.0+cu101 torchvision0.10.0+cu101 torchaudio=0.9.0 -f
https://download.pytorch.org/whl/torch_stable.html

当前 torchvision0.10.0+cu101 版本必须是匹配的。如果版本不匹配，如上⾯的命令，则会出现错误

最低0.47元/天 解锁文章
测试人子期
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
吴恩达卷积神经网络，第一周作业PyTorch版本代码(gpu-cpu通用）
03-24
吴恩达卷积神经网络，第一周作业PyTorch版本代码(gpu-cpu通用） 1.PyCharm上运行的PyTorch项目 2.基础的卷积神经网络搭建 3.加入了gpu加速所需的代码 4.含数据集+cnn_utils.py【对原版本做了简化】 5.含训练、模型保存、模型加载、单个图片预测代码 6.里面保存了个已经在gpu上训练好的模型，下载后也可以自行训练
pytorch2.0图像分类实战，带有数据集，兼容GPU版本和CPU版本
04-05
本文介绍了使用pytorch2.0进行图像分类的实战案例，包括数据集的准备，卷积神经网络的搭建，训练和测试的过程，以及模型的保存和加载。本案例使用了CIFAR-10数据集，包含10个类别的彩色图像，每个类别有6000张图像，其中5000张用于训练，1000张用于测试。本案例使用了一个简单的卷积神经网络，包含两个卷积层和两个全连接层，使用ReLU激活函数和交叉熵损失函数，使用随机梯度下降优化器。本案例可以在GPU和CPU上运行，根据设备的不同自动切换。本案例适合入门pytorch深度学习和练手，也可以用到项目当中。代码精炼，容易修改进行二次完善和开发。
如何用conda安装PyTorch（windows、GPU）最全安装教程（cudatoolkit、python、PyTorch、Anaconda版本对应问题）（完美解决安装CPU而不是GPU的问题）
最新发布
Oona_01的博客
03-30 363
（这决定你能否成功安装PyTorch，以及能否成功安装GPU版本的关键问题），可以这么说，版本不能对应好，后面有很大的问题，因此，我们要先确定版本的对应关系。若为False，则安装的是CPU版本的，安装失败。安装出现问题的地方，基本上都是PyTorch的安装问题，一种是下载速度过慢，另一种下载好了，但显示的是CPU的版本。然后找到适合的PyTorch版本，如下图红色框中就是我们需要的命令，这个我在Anaconda的安装那一节就已经讲过了，忘了的，可以回头看一下。若输出类似的信息，则说明cuDNN安装成功。
pytorch学习笔记2：GPU加速测试，含代码（亲测可用）
小冶的博客
07-17 1万+
GPU加速原理 这里默认你说的gpu加速是指NVIDIA的cuda加速，CPU是中央处理单元，gpu是图形处理单元简单的说，gpu由上千个流处理器(core)作为运算器。执行采用单指令多线程(SIMT)模式。在训练网络中，其实大量的运算资源都消耗在了数值计算上面，大部分网络训练的过程都是1.计算loss，2.根据loss求梯度，3.再根据梯度更新参数（梯度下降原理）。无论在GPU还是CPU中，都是不断重复123步。但是由于CPU是通用计算单元（并不擅长数值运行），而GPU特长是图像处理（数值计算）。所以GP
检测pytorch是否使用GPU的方法
weixin_43117620的博客
06-02 2万+
检测pytorch是否真的使用GPU的几种方法：实时监控GPU使用率；在运行中输出pytorch使用的设备；利用简单网络检验GPU使用情况。
pytorch：测试GPU是否可用
热门推荐
James_bobo的博客
11-18 4万+
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...
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 简单测试多GPU并行运算及配置环境]
qq_39749966的博客
06-03 1209
【代码】[pytorch 简单测试多GPU并行运算及配置环境]
PyTorch快速安装并验证GPU是否可用
Smile_liujun的博客
07-01 5072
PyTorch快速安装并验证GPU是否可用
安装pytourch gpu并测试
シ❤゛甜虾的个人博客
06-01 1441
输入nvidia-smi命令查看cuda版本号, 系统的CUDA版本决定了系统最高可以支持什么版本的cudatoolkit，它是向下兼容的, 可以装低版本但是不能装高版本。更新下conda，用管理员打开cmd。
CPU与GPU上检测pytorch是否安装成功
qq_42373007的博客
06-13 5248
如果没有报错，同时输出了5行4列的张量，就说明PyTorch GPU版本也正常工作。如果电脑有GPU支持，建议在GPU上测试PyTorch是否正常工作。如果没有报错，同时输出了正确版本号，就说明PyTorch已经成功安装了。如果没有报错，同时输出了正确的结果，就说明PyTorch正常工作。如果没有报错，同时输出了5行4列的张量，就说明可以进行张量计算。如果没有报错，同时输出了5行3列的张量，就说明可以创建张量。2.测试是否可以进行张量计算。
用pytorch调试的深度学习训练语料小模型
03-21
在环境方面，我们需要确保有英伟达GPU的支持，这样可以利用CUDA加速训练过程；如果是Mac用户，可以使用MPS进行加速；其他情况下，我们可以选择使用CPU进行训练。在训练过程中，我们可以根据需要调整训练轮数和训练...
超级好的pytorch文档资源，分享出来.zip
03-03
PyTorch 环境搭建 PyTorch 深度学习：60分钟快速入门（官方） 张量 Autograd：自动求导 神经网络 训练一个分类器 选读：数据并行处理（多GPU） 相关资源介绍 第二章 基础 第一节 PyTorch 基础 张量 自动求导 神经...
Pytorch：测试本机GPU是否可用
BBJG_001的博客
03-12 3599
import torch flag = torch.cuda.is_available() print(flag) 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") pri...
Pytorch-GPU版本安装并进行yolov5测试
湮没
02-05 826
应该是我的CUDA和cuDNN没有安装，所以根据这篇博主的方法顺序安装即可，他的介绍非常详细，下载注册要耐心点，网速比较慢。重新安装一遍依赖，可能是我从CPU版本切换到GPU对依赖有变化，也可能是我执行过yolov5环境的remove操作导致。以上采用conda还是pip方式安装，具体区别网上有介绍，我这里采用的 conda方式。然后重新安装，执行conda install指令，以旧不成功，在NVIDIA控制面板中，从左下角的。标志时，可以在其后指定要使用的。删除原来的yolov5环境，
检查PyTorch版本及GPU是否安装成功检测
weixin_46569877的博客
12-22 2万+
环境安装
Pytorch(16)---搭建一个完整的模型、GPU训练、测试
weixin_45703331的博客
07-29 1342
搭建一个完整的模型
Pytorch中GPU相关操作
ppppppppppeter的博客
03-02 2169
记录使用实验室服务器的使用，仅为自己做参考
pytorch 3D模型训练环境搭建 ubuntu2004
07-11
要在 Ubuntu 20.04 上搭建 PyTorch 3D 模型训练环境，你可以按照以下步骤进行操作： 1. 安装 CUDA 和 cuDNN（如果你的 GPU 支持 CUDA）： - 首先，检查你的 GPU 支持的 CUDA 版本，并从 NVIDIA 官方网站下载对应版本的 CUDA Toolkit。 - 安装 CUDA Toolkit，按照官方文档提供的说明进行安装。 - 在安装 CUDA Toolkit 后，下载对应版本的 cuDNN，并按照官方文档提供的说明进行安装。 2. 安装 Anaconda（可选）： - 访问 Anaconda 官方网站并下载适用于 Linux 的 Anaconda 安装包。 - 打开终端，导航到下载的 Anaconda 安装包所在的目录，并执行以下命令安装 Anaconda： ``` bash Anaconda3-2021.05-Linux-x86_64.sh ``` - 按照安装程序的提示进行安装。 3. 创建并激活虚拟环境： - 打开终端，执行以下命令创建一个名为 "pytorch" 的虚拟环境： ``` conda create -n pytorch python=3.8 ``` - 激活虚拟环境： ``` conda activate pytorch ``` 4. 安装 PyTorch 和 torchvision： - 在激活的虚拟环境中，执行以下命令安装 PyTorch 和 torchvision： ``` conda install pytorch torchvision torchaudio cudatoolkit=xx.x -c pytorch ``` （请使用你安装的 CUDA 版本的正确替代项 xx.x） 5. 安装其他依赖项： - 执行以下命令安装其他常用的 PyTorch 相关依赖项： ``` conda install matplotlib numpy pandas ``` 这样，你就可以在 Ubuntu 20.04 上成功搭建 PyTorch 3D 模型训练环境了。记得在使用 PyTorch 时，始终在激活的虚拟环境中运行代码。

“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
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