一、引言
前段时间,写了一篇文章记录PyTorch软件安装相关的准备,在这篇文章里。由于中途有事,很长时间没去认真学PyTorch了,后电脑重新安装,重新装PyTorch时,打算把这个环境变得比较的好,因此出现了这个补充篇。
我认为比较好的一个PyTorch开发环境,是Anaconda+PyCharm+Jupyter。在PyCharm中可以方便的使用Python相关语法的补充,在Jupyter中可以方便的分布式进行语句学习与注释。
因此,决定搭建一个Anaconda+PyCharm+Jupyter的环境。手头上比较空闲的是两台电脑,一台是大一下买的“华硕笔记本”,另一台是毕业时舍友的一台性能不是很好的台式机。目前都被我刷成了Win10超干净的纯净版。
考虑这两台电脑都不如实验室继承的一台台式机,故在这上面不安装太大型的软件了。笔记本用来完成PyTorch GPU版本的安装,台式机用来完成PyTorch CPU版本的安装(主要原因是台式机上显卡是锐龙的,驱动不好弄)。
二、Anaconda环境搭建
按照下面这四个步骤,可以选择环境的Python版本,这里就直接使用3.8的了。然后第四步中启动lypytorch这个环境,在这个环境下,进行PyTorch的安装。同时,可以去Home界面下,先把Jupyter给安装好,直接Install即可,就不放图了。
问题一:关于Anaconda启动失败的问题?
简单貌似下这个问题,启动Anaconda失败,或者在Anaconda虚拟环境下使用conda失败。进入一个浏览器的错误警告页面,这极有可能是开了VPN造成的,需要关闭VPN后,再进行启动或是conda操作。
问题二:PyTorch安装的速度太慢怎么办?
换源,这是最好的方法了。具体代码如下:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud//pytorch/
下面是一张换源后的图片,可以在下边的路径下找到.condarc文件,查看执行完执行后的内容。如果想把添加的源删除,只需把途中红色框的内容删除即可。
去PyTorch官网,找到安装PyTorch CPU的指令,把VPN开启,速度会快很多。得到下面的一条指令:conda install pytorch torchvision torchaudio cpuonly -c pytorch
。需要注意的是,由于换源了,这里的-c不能使用,不然还是默认源下载,应变为conda install pytorch torchvision torchaudio cpuonly
。
打开Terminal后输入指令便可安装了,速度应该很快。安装完,进入python后用import torch测试下。
问题三:Terminal中pip安装库速度太慢?
换源后速度还是很慢,因为conda的源并没有作用到pip上,可以考虑直接把pip的源也换了,但这里并没有这么做,而是用另一种比较快速的方式,即-i指定安装源,具体代码如下。
pip install opencv-contrib-python -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装cv2
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装matplotlib绘图库
三、PyCharm环境搭建
直接在Anaconda的Home界面中点PyCharm的Install,会自动跳到对应的官网下载。在官网中选择社区版下载即可。安装过程很简单,就不细说了。
启动PyCharm后,新建一个工程,把Python环境选为自己虚拟环境中的Python.exe,即可识别到虚拟环境中的Python和所安装的所有库文件。后续用到的Python库,可以先去虚拟环境的Terminal中安装,来PyCharm中就可以直接import使用了。
四、PyTorch GPU版本安装
上面都是在我的台式机上安装PyTorch CPU的版本,测试没啥问题后,可以去笔记本上安装PyTorch GPU版本了。在我的笔记本上,安装PyTorch GPU不是很难,主要原因是,conda方式安装PyTorch的时候,会自动安装对应版本的cuda和cudnn,这样可以直接使用下面的指令conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge
。
装完之后,可以使用print(torch.cuda.device_count())
来进行测试打印出来的是可用gpu的个数,而不是索引,gpu的索引是从0开始的。
五、结尾
这是补充篇的第1篇,后面还会继续更新在Anaconda中安装TensorFlow CPU和GPU版本的过程。另外,有机会的话,想把自己这笔记本和台式机重新装机的经验也分享一下,个人电脑重装后的合理管理,非常有助于开发效率的提高。
小结下:Anaconda+PyCharm+Jupyter+PyTorch CPU+PyTorch GPU环境搭建。PyTorch GPU版本的安装写的不是很详细,但我安装的过程确实就那样,网上铺天盖地的去说安装Cuda和Cudnn的过程,我并没有遇到,但在TensorFlow的安装中,我确实也做了Cuda和Cudnn的安装工作,后面再记录下。