英特尔（Intel）集成显卡也能使用GPU为模型训练加速（以Intel（R） iris(R) Xe Graphics 为例）

风和云海

已于 2025-03-15 13:54:39 修改

阅读量9.4k

点赞数 26

文章标签：人工智能 python pytorch 神经网络深度学习

于 2025-01-14 23:27:38 首次发布

本文链接：https://blog.csdn.net/m0_62974065/article/details/145149051

版权

一，首先需要安装虚拟环境（miniconda），方便管理：

如果不知到怎么安装虚拟环境可以点这：安装虚拟环境

安装好虚拟环境后创建虚拟环境：在命令提示符（CMD）输入：

conda create -n Py310 python=3.10

Py310是你的虚拟环境的名字，当让也可以换成你喜欢的，python版本也可以是其他的，我个人觉得3.10到3.12比较好。执行后输入"y"确认即可，如图：

二、下载 Intel® oneAPI Base Toolkit

访问 Intel® oneAPI 下载页面 Get the Intel® oneAPI Base Toolkit Intel® oneAPI 下载页面，选择适合你操作系统的版本（Windows/Linux/macOS）。

运行安装程序，选择 Custom Install（自定义安装）。
在组件列表中，只勾选以下内容：
- Intel® oneAPI DPC++/C++ Compiler
- Intel® oneAPI Level Zero
- Intel® oneAPI AI Analytics Toolkit
- Intel® VTune Profiler（可选）
点击 Next，选择安装路径（例如 D:\intel\oneAPI）。
完成安装。

配置环境变量

安装完成后，确保正确配置环境变量：打开命令提示符或终端。运行以下命令加载 oneAPI 环境变量：

call "D:\intel\oneAPI\setvars.bat"

三、安装Intel显卡驱动及extension for pytorch
1、打开Intel官方网址：https://pytorch-extension.intel.com/installation?platform=gpu&version=v2.5.10+xpu&os=windows&package=pip

按照下图中选：

2、安装intel显卡驱动：

往下滑，我的显卡是Intel（R） iris(R) Xe Graphics，随便安装了第一个

3、安装extension for pytorch及其他依赖库

激活刚刚创建的虚拟环境：

conda activate Py310

安装过程中我发现torch不支持numpy>=2，但是在安装完成后把numpy将为1.xx时出现以下错误：

OSError: [WinError 127] 找不到指定的程序。 Error loading "D:\ProgramData\miniconda3\envs\Py311\Lib\site-packages\torch\lib\aoti_custom_ops.dll" or one of its dependencies.（可能是链接出现错误），但是安装torch是系统自动检索numpy>=2的版本，所以为了解决这个问题，在创建完虚拟环境是第一步先安装numpy<2版本，我选择了numpy=1.26版本，因为matplotlib只支持1.23版本以上的。

pip install numpy==1.26

为了防止以后安装其他库时numpy自动更新，需要做一下步骤：

使用 pip freeze 锁定版本：

pip freeze > requirements.txt

然后在未来的安装中，使用以下命令来安装与当前环境中相同的依赖版本：

pip install -r requirements.txt 你要安装的库

因为第三个是核显，核显与集显的区别是有无独立内存。两者都是集成在处理器中。所以我就选择了第三个。

conda install libuv

python -m pip install torch==2.5.1+cxx11.abi torchvision==0.20.1+cxx11.abi torchaudio==2.5.1+cxx11.abi intel-extension-for-pytorch==2.5.10+xpu --extra-index-url https://pytorch-extension.intel.com/release-whl/stable/lnl/us/

等待安装完成，检验可用性：关掉命令窗口，从新激活虚拟环境，输入：

python -c "import torch; import intel_extension_for_pytorch; print(torch.xpu.is_available());"

可能会有警告，可以忽略掉，结尾出现True即可。

当然可能也会出现报错，如依赖包不匹配，比如我遇到numpy不匹配，需要降到1.xx版本。

三、激动人心的时刻。在你的项目中切换到刚创建的虚拟环境中
添加以下代码即可用GPU加速，其实和使用CUDA的代码区别不到，无非是把cuda改成xpu

import torch

# 检查 GPU 是否可用
device = torch.device("xpu" if torch.xpu.is_available() else "cpu")

# 假设你有一个模型
model = MyModel().to(device)

# 假设你有一些输入数据
inputs = inputs.to(device)

# 训练时将模型和数据移到 GPU
outputs = model(inputs)

最后，提醒一下，注意每次训练的batch_size不要太大，从小往大试，不让会把显存撑爆，导致闪屏（因为我试过，如果真的这样，建议关机重启，或者重装显卡驱动）

按照以下步骤可以查看显存占用情况：