使用conda一行命令安装pytorch-GPU运行环境

ubuntu pytorch环境配置

不是标题党,本文是介绍如何使用一行命令用conda安装pytorch-gpu运行环境。当然,能够一行安装环境前提是你已经正确安装了nvidia的GPU驱动和anaconda/miniconda管理工具。

安装GPU驱动

首先当然需要安装好nvidia的GPU驱动,搞了我很久时间,但其实很简单,如果有需要的同学可以消息我,我再分享安装过程。简单来说就是将所有的驱动卸载干净以后,直接sh命令安装官网下载的对应版本的驱动,这里会报错。但是不要害怕,我在按照报错提示下,下载安装两个相关包之后就成功执行了驱动安装文件,安装成功。

配置pytorch环境

docker

我先尝试了使用docker进行安装,根据官方网站安装好docker-community之后,很简单就下载了集成的image镜像文件,大小为2个多G,激活image后就可以使用完全包含cuda+cudnn的 docker环境了,但是命令行环境,开发不太方便。所以就放弃了这种方式。(*现在想想,使用jupyter是否可以将服务启动,然后在网页中运行)如果有知道使用docker可以用Ubuntu图形界面的同学能告诉我以下,我也感激不尽。

重头戏:一行命令直接安装环境

我就尝试使用conda对pytorch进行安装,在看了很久的官网文件之后,发现只需要一行命令就可以将pytorch gpu环境配好,结合pytorch官方主页的内容。
首先安装好anaconda环境(其实miniconda是不是就可以呢,没用到anaconda的环境)下载好anaconda包并

bash 包名(我的包名为Anaconda2-2019.10-Linux-x86_64.sh)

安装好anaconda,全部选择默认配置就可以直接进入一个激活的anaconda base环境。
然后我就直接运行了这样一行代码:

conda create -n pytorch1 python=3.7 git pandas jupyter ipython pytorch torchvision cudatoolkit=10.1 -c pytorch

其中

-n pytorch1

是指定新建的conda环境名为pytorch1,

pyhon=3.7

指定python版本

git pandas jupyter ipython

是我需要的git包(版本控制)、pandas(科学计算)、jupyter ipython(辅助编程)。
然后就会自动安装好环境了。
如果不需要这些包的话,只保留

conda create -n pytorch1(替换成你想要的名字) pytorch torchvision cudatoolkit=10.1 -c pytorch

就可以。
后面的-c pytorch好像是指定下载源?我也不是很清楚,但是pytorch官网保留,我就没有删掉。
如果需要别的python版本的pytorch,只需要改动python后面的指定命令就可以。

执行这行命令:Screenshot from 2019-11-02 18-48-36.pngScreenshot from 2019-11-02 18-48-58.png
在下载了1.14G的文件(这里少了一个git,后来加的)以后,conda很快完成了安装,执行命令 conda activate pytorch1(或者你指定的名字),进入conda环境后,运行命令

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

Screenshot from 2019-11-02 18-45-35.png

结果是已经成功建立了使用gpu的pytorch编程环境。

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
安装PyTorch GPU前,我们需要确保已经安装了适当的CUDA版本。CUDA是NVIDIA开发的并行计算平台,可在GPU上加速计算任务,因此对于PyTorch GPU而言也是非常重要的。 1. 检查支持的CUDA版本 首先需要检查PyTorch支持的CUDA版本。可以在官方网站上找到该信息。例如,PyTorch 1.8.0和CUDA 11.1是兼容的。这意味着我们需要安装CUDA 11.1或更低版本。如果我们尝试使用CUDA 11.2或更高版本,则会在安装期间出现错误。 2. 安装CUDA 我们可以从NVIDIA官网下载并安装适当的CUDA版本。这通常也需要安装适当的驱动程序。在安装期间,我们需要选择一些选项,例如使用哪个编译器等等。 安装完成后,我们需要将CUDA添加到系统环境变量中。这可以通过添加以下行到~/.bashrc文件(对于Ubuntu)中来完成: export PATH=/usr/local/cuda-11.1/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/11.1/lib64:$LD_LIBRARY_PATH 请确保将路径修改为您安装CUDA的路径。 3. 安装cuDNN cuDNN是另一个重要的库,它可以加速深度学习的计算。我们需要在安装PyTorch之前安装cuDNN。 首先,我们需要在NVIDIA开发者网站上注册并下载适当版本的cuDNN。下载完成后,我们需要解压缩文件并将文件复制到CUDA目录中。通常,我们可以在以下位置找到CUDA: /usr/local/cuda 此外,我们还需要将库路径添加到系统环境变量中。可以将以下行添加到~/.bashrc文件中: export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64:$LD_LIBRARY_PATH 4. 安装PyTorch GPU 安装安装PyTorch GPU的最简单方法是使用conda,这是一个流行的包管理系统。我们需要安装conda并创建一个新的conda环境。可以按照以下步骤完成: 1. 在官方网站上下载并安装Miniconda。 2. 使用以下命令创建一个新的conda环境,并安装PyTorchconda create --name myenv conda activate myenv conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge 这将创建一个名为myenv的新conda环境,并安装PyTorch以及必要的CUDA包和工具。 5. 验证GPU支持 在安装完成后,我们需要验证PyTorch是否支持GPU。可以使用以下代码片段: import torch # Check if CUDA is available print(torch.cuda.is_available()) 如果输出为True,则说明PyTorch可以使用GPU加速计算。可以继续使用PyTorch来训练模型,并确保模型是在GPU上进行训练的。可以使用以下代码片段来将模型移动到GPU上: import torch # Define a simple model model = torch.nn.Linear(2, 1) # Move the model to GPU model.cuda() 这将把模型移到GPU上,并确保在使用该模型时使用GPU进行计算。 综上所述,安装PyTorch GPU需要一些准备工作,并需要安装适当的CUDA和cuDNN版本。一旦安装完成,我们可以使用conda创建一个新的环境,并使用PyTorch进行GPU加速计算。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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