anaconda环境配置pytorch总结,GPU调用失败方法总结

垃圾电脑(我好菜),配置环境用了六七个小时,淦,接下来我总结一下我遇到的问题及解决方法。

1.首先按部就班地在CSDN上搜索anaconda如何配置pytorch,帖子有很多,不再赘述,在添加完各种镜像源之后,下载完之后,各种稀奇古怪的问题产生了。

2.首先是调用GPU失败,为什么会失败呢,一开始因为我的cuda版本为10.2比较老了,安装官网以往的链接下载会给你默认安装一个cpuonly(再anaconda环境终端输入conda list  可以找到),这个文件导致你一直安装不了GPU版本的pytorch,解决方法conda uninstall cpuonly 就可以解决。这时候就调用成功啦。

3.配置了另外一个环境,我配置的是paddle,切换paddle环境时总显示什么SDK无效,解决方法:要么把这个环境删了重下(没试过),最后不知道咋整的clone了一个,又切换成功了。

4.把pycharm卸载重装了,发现这玩意儿tm更新了,结果又一大堆不好使的,此时我的基础解释器是3.10版本,而anaconda环境里的python是3.9版本的,两者不匹配所以不好使(会显示SDK无效的问题),解决方法:下一个对应的python解释器,或者升级python(conda install python==3.10 ,不过不建议,太新的版本问题多),不过python版本的改变一定要带着改变对应的numpy版本,python3.9对应numpy版本为3.19.3,其他版本的自查。

5.最后一点也是最重要的也是很多人都还会遇到的问题,不管你怎么按照教程来都会发现安装的pytorch是cpu版本的,这是因为清华源或者你添加的什么什么源没有你CUDA版本的对应的pyorch,torchvision及torchaudio版本,像我的CUDA10.2版本就没有。下面这个下载链接是官网给的,清华源没有对应的GPU版本,就默认给你下cpu版本了。

conda install pytorch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 -c pytorch
改成conda install pytorch==1.10.2 torchvision==0.11.3 torchaudio==0.10.2 cudatoolkit=10.2 -c pytorch 就可以成功下载了。同时一定要记住python基础解释器版本一定要和环境里面的python版本对应,这都是浪费了很多时间总结出的教训啊,哭。对应的版本可以在这个网址找Index of /anaconda/cloud/pytorch/win-64/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

最后在pycharm里面输入如下代码

import torch
print(torch.__version__)
print("gpu", torch.cuda.is_available())

显示C:\Users\86185\.conda\envs\torch\Scripts\python.exe C:\Users\86185\PycharmProjects\pythonProject7\main.py 
1.10.2
gpu True
芜湖,终于成功了,玛德!

  • 6
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
### 回答1: anaconda一个Python发行版,它包含了许多常用的科学计算和数据分析库。而pytorch一个基于Python的科学计算包,它主要用于深度学习。GPU是图形处理器,它可以加速计算,提高深度学习的训练速度。因此,anaconda pytorch gpu的组合可以提供一个强大的深度学习环境,使得用户可以更快地训练深度学习模型。 ### 回答2: Anaconda一个开源的 Python 发行版本,它主要用于数据科学和机器学习领域。它集成了许多常用的数据科学包和库,提供了一个方便的环境来进行 Python 编程。 PyTorch一个深度学习框架,它基于 Torch 库,并且以 Python 优先的设计理念。PyTorch 提供了灵活的工具和库,用于构建和训练神经网络模型。它广泛应用于自然语言处理、计算机视觉和其他机器学习任务。 GPU(Graphics Processing Unit,图形处理器)是一种高性能的处理器,用于并行计算任务。在深度学习GPU 的并行计算能力可以大大加速模型训练和推理过程。PyTorch 支持在 GPU 上进行计算,可以通过简单的代码更改将计算任务转移到 GPU 上,以提高模型的训练和推理速度。 AnacondaPyTorch 结合使用可以为深度学习工程师和研究人员提供便利。Anaconda 提供了一个统一的环境管理系统,可以帮助安装和管理 PyTorch 和其他必要的数据科学库。通过 Anaconda,我们可以轻松地安装和更新 PyTorch,以及与之相关的软件包。而使用 GPU 进行计算,则可以进一步加速 PyTorch 计算任务的执行速度,提高深度学习模型的效率。 总之,Anaconda 提供了一个方便的环境来使用 PyTorch,并且配合使用 GPU 可以提高模型的训练效率。这个组合在数据科学和机器学习的实践非常常见,并为深度学习工程师提供了良好的开发体验和性能优势。 ### 回答3: Anaconda一个用于科学计算的Python发行版,它提供了强大的包管理和环境管理功能。PyTorch一个深度学习框架,它提供了高效的神经网络训练和推理功能。GPU是图形处理器,它可以加速深度学习任务的运算速度。 Anaconda提供了与PyTorchGPU兼容的版本。用户可以通过Anaconda安装PyTorch,并使用GPU来加速深度学习的训练过程。在Anaconda环境,可以使用conda命令来安装PyTorch,并选择合适的GPU驱动程序。 安装Anaconda后,可以使用conda命令创建一个新的虚拟环境,并在其安装PyTorch。在安装过程,可以选择安装适用于GPUPyTorch版本。然后,可以使用conda命令激活虚拟环境,并运行基于PyTorch的深度学习代码。 在使用PyTorch进行深度学习训练时,可以利用GPU来加速计算。通过调用相关的PyTorch函数,将模型和数据移动到GPU上进行计算,可以大幅度提升训练速度。需要注意的是,使用GPU进行深度学习训练需要正确配置好CUDA和CuDNN等相关库,以保证程序能够正确地利用GPU进行计算。 总之,Anaconda提供了方便的包管理和环境管理功能,可以安装PyTorch和相关的GPU驱动程序。使用AnacondaPyTorch GPU版本可以更便捷地进行深度学习任务的开发和训练,提升计算速度和效率。

“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 2
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