PyTorch在64位Windows下的编译

最新推荐文章于 2024-06-07 20:29:40 发布

天太热了

最新推荐文章于 2024-06-07 20:29:40 发布

阅读量1.3w

点赞数 11

分类专栏：深度学习文章标签： windows PyTorch 深度学习编译器

深度学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

原帖地址：https://zhuanlan.zhihu.com/p/26849292
各位，爱折腾的我又来啦！这次我准备搞点不一样的，在Windows搞定PyTorch的编译。

首先，我先简要介绍一下PyTorch吧。PyTorch是Facebook开发维护的一个符号运算库，可用于搭建动态的神经网络。它的代码简洁，优美，也具有很强的性能。举个例子，如果我们要在Theano或者TensorFlow下进行向量的运算，我们会先定义一个tensor，再对tensor做计算，然后定义一个function，最后调用函数并传入参数，获得输出。样例代码：

import theano
import theano.tensor as T
x = T.dmatrix('x')
s = 1 / (1 + T.exp(-x))
logistic = function([x], s)
logistic([[0, 1], [-1, -2]])

如果我们使用PyTorch呢，我们这样写

import torch
x = torch.FloatTensor([[0, 1], [-1, -2]])
s = 1 / (1 + torch.exp(-x))

只需要定义变量，即可进行运算。是不是更加符合我们的思维呢？

最后我再引用一句话来宣传一波：

Matlab is so 2012.
Caffe is so 2013.
Theano is so 2014.
Torch is so 2015.
TensorFlow is so 2016. :D

‏ –Andrej Karpathy

‏It’s 2017 now.

让我们步入正题，看看如何在Windows下安装PyTorch。

先做一个友情提醒，如果不想折腾的话，对于Windows 10 用户，可以在WSL下进行体验，缺点是不能使用GPU进行计算的加速。或者你也可以等待官方放出正式的安装包。下面的安装过程是测试，不保证能够安装成功。

首先我们可以找到官方repo的相关issue。其中有一位大神已经为我们做好了大量的工作，他将他的代码存放在这里。当然你也可以直接使用我最终修改后的代码，就在他的基础上做了一点工作，不过我的代码通过了所有的CUDA单元测试，他的还没有。

首先，我们需要准备好安装所需要的工具，包括：

Visual Studio 2015 with Update 1及以上(不能是2013，2017，原因我下面会解释)
CMake
一种BLAS运算库，比如Openblas或者Intel MKL
PyTorch的源码，从上面的地址获取
CUDA 7.5及以上
CUDNN 5.1.10及以上
Anaconda3 （Python版本3.5及以上）

安装步骤大致如下：

安装VS，CUDA，cuDNN， CMake，Anaconda。这没什么好多说的，至于为什么一定要VS 2015 Update 1及以上，其实这是我踩坑之后得到的宝贵经验。VS 2013对C99标准的支持比较弱， VS 2017 尚且不支持作为CUDA 8.0的编译器，而原生的VS 2015 会报一个莫名其妙的链接错误。选取Anaconda3的原因也是为了兼容C99。
添加环境变量，添加CMake和MSBuild的路径至PATH中。他们大概在这样的路径下：

C:\Program Files\CMake\bin
C:\Program Files (x86)\MSBuild\14.0\Bin\amd64

定位到pytorch代码目录的torch\lib下面，我们新建一个目录tmp_install，在这个目录下面再新建一个目录lib，然后将blas相关的lib统统丢进去。然后对build_all.bat进行修改，定位到结尾，可以发现这样一段代码

  cmake ../../%~1 -G "Visual Studio 14 2015 Win64" ^
                  -DCMAKE_MODULE_PATH=%BASE_DIR%/cmake/FindCUDA ^
                  -DTorch_FOUND="1" ^
                  -DCMAKE_INSTALL_PREFIX="%INSTALL_DIR%" ^
                  -DCMAKE_C_FLAGS="%C_FLAGS%" ^
                  -DCMAKE_SHARED_LINKER_FLAGS="%LINK_FLAGS%" ^
                  -DCMAKE_CXX_FLAGS="%C_FLAGS% %CPP_FLAGS%" ^
                  -DCUDA_NVCC_FLAGS="%BASIC_CUDA_FLAGS%" ^
                  -DTH_INCLUDE_PATH="%INSTALL_DIR%/include" ^
                  -DTH_LIB_PATH="%INSTALL_DIR%/lib" ^
                  -DTH_LIBRARIES="%INSTALL_DIR%/lib/TH.lib" ^
                  -DTHS_LIBRARIES="%INSTALL_DIR%/lib/THS.lib" ^
                  -DTHC_LIBRARIES="%INSTALL_DIR%/lib/THC.lib" ^
                  -DTHCS_LIBRARIES="%INSTALL_DIR%/lib/THCS.lib" ^
                  -DTH_SO_VERSION=1 ^
                  -DTHC_SO_VERSION=1 ^
                  -DTHNN_SO_VERSION=1 ^
                  -DTHCUNN_SO_VERSION=1 ^
                  -DCMAKE_BUILD_TYPE=Release ^
                  -DLAPACK_LIBRARIES="%INSTALL_DIR%/lib/mkl_rt.lib" -DLAPACK_FOUND=TRUE

可以将最后一行进行适当的修改，如使用OpenBlas可将其改为openblas.lib；如不打算使用blas，则将最后一行去掉。
4. 打开一个CMD窗口，定位到pytorch代码根目录下，然后执行以下代码：

cd torch\lib
build_all.bat --with-cuda

然后大家就可以喝喝茶，看看电影，度过这个漫长的编译时间。
5. 检查一下torch\lib下是否包含THPP.dll，如果没有的话，说明编译失败了。看看之前的输出，想想问题大概出在哪里。
6. 如果顺利的话，我们再键入最后两行命令。

cd ..\..
python setup.py install

如果没有报错的话，恭喜你，安装成功了。不过，还需要一些小小的操作。我们先找到cudart和cudnn模块，他们一般在这个位置：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudart64_80.dll
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudnn64_6.dll 
# 如果使用cudnn v5，那么就是
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudnn64_5.dll

将他们拷贝至Anaconda3的Lib\site-packages\torch\lib下面
如果你使用的是cudnn v5的话，打开Anaconda3的Lib\site-packages\torch\backends\cudnn下面的__init__.py。将_libcudnn函数修改为：

def _libcudnn():
    global lib, __cudnn_version
    if lib is None:
        lib = ctypes.cdll.LoadLibrary("cudnn64_5")
        if hasattr(lib, 'cudnnGetErrorString'):
            lib.cudnnGetErrorString.restype = ctypes.c_char_p
            __cudnn_version = lib.cudnnGetVersion()
        else:
            lib = None
    return lib

就这样，我们就完成了PyTorch在64位Windows下的安装。我们可以跑一下MNIST来测试一下：

from __future__ import print_function
import argparse
import time
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
from torch.backends import cudnn
if __name__ == '__main__':
    parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
    parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                        help='input batch size for training (default: 64)')
    parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                        help='input batch size for testing (default: 1000)')
    parser.add_argument('--epochs', type=int, default=10, metavar='N',
                        help='number of epochs to train (default: 10)')
    parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
                        help='learning rate (default: 0.01)')
    parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
                        help='SGD momentum (default: 0.5)')
    parser.add_argument('--no-cuda', action='store_true', default=False,
                        help='disables CUDA training')
    parser.add_argument('--seed', type=int, default=1, metavar='S',
                        help='random seed (default: 1)')
    parser.add_argument('--log-interval', type=int, default=10000, metavar='N',
                        help='how many batches to wait before logging training status')
    args = parser.parse_args()
    args.cuda = not args.no_cuda and torch.cuda.is_available()

    print('Using CUDA:' + str(args.cuda))

    torch.manual_seed(args.seed)
    if args.cuda:
        torch.cuda.manual_seed(args.seed)

    class Net(nn.Module):
        def __init__(self):
            super(Net, self).__init__()
            self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
            self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
            self.conv2_drop = nn.Dropout2d()
            self.fc1 = nn.Linear(320, 50)
            self.fc2 = nn.Linear(50, 10)

        def forward(self, x):
            x = F.relu(F.max_pool2d(self.conv1(x), 2))
            x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
            x = x.view(-1, 320)
            x = F.relu(self.fc1(x))
            x = F.dropout(x, training=self.training)
            x = self.fc2(x)
            return F.log_softmax(x)

    model = Net()
    if args.cuda:
        model.cuda()

    # cudnn.enabled = False
    cudnn.benchmark = True

    kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
    train_dataset = datasets.MNIST('../data', train=True, download=True, transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ]))
    test_dataset = datasets.MNIST('../data', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ]))
    train_loader = torch.utils.data.DataLoader(
        train_dataset, batch_size=args.batch_size, shuffle=True, **kwargs)
    test_loader = torch.utils.data.DataLoader(
        test_dataset, batch_size=args.batch_size, shuffle=True, **kwargs)

    optimizer = optim.SGD(model.parameters(), lr=args.lr,
                          momentum=args.momentum)

    def train(epoch):
        model.train()

        for batch_idx, (data, target) in enumerate(train_loader):
            if args.cuda:
                data, target = data.cuda(), target.cuda()
            data, target = Variable(data), Variable(target)
            optimizer.zero_grad()
            output = model(data)
            loss = F.nll_loss(output, target)
            loss.backward()
            optimizer.step()

            if batch_idx % args.log_interval == 0:
                print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                          epoch, batch_idx *
                          len(data), len(train_loader.dataset),
                          100. * batch_idx / len(train_loader), loss.data[0]))

    def test(epoch):
        model.eval()
        test_loss = 0
        correct = 0
        for data, target in test_loader:
            if args.cuda:
                data, target = data.cuda(), target.cuda()
            data, target = Variable(data, volatile=True), Variable(target)
            output = model(data)
            test_loss += F.nll_loss(output, target).data[0]
            # get the index of the max log-probability
            pred = output.data.max(1)[1]
            correct += pred.eq(target.data).cpu().sum()

        test_loss = test_loss
        # loss function already averages over batch size
        test_loss /= len(test_loader)
        print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
            test_loss, correct, len(test_loader.dataset),
            100. * correct / len(test_loader.dataset)))

    for epoch in range(1, args.epochs + 1):
        train(epoch)
        test(epoch)

为啥一定要在外层用主模块判断呢？其实是因为现在PyTorch在Windows下的Multi Processing库还存在一些问题，在DataLoader加载时，会用另外一个线程重新打开该文件，造成冲突。其他基本上没有太大的问题，可以正常使用。MNIST的运行实测如下图，跑的还是挺快的。

以上，就是文章的全部内容啦，如果感觉还意犹未尽的话，可以给我的Github 主页或者项目加个watch或者star之类的（滑稽），以后说不定还会再分享一些相关的经验。

天太热了

关注

11
点赞
踩
8

收藏

觉得还不错? 一键收藏
2
评论
PyTorch在64位Windows下的编译

各位，爱折腾的我又来啦！这次我准备搞点不一样的，在Windows搞定PyTorch的编译。首先，我先简要介绍一下PyTorch吧。PyTorch是Facebook开发维护的一个符号运算库，可用于搭建动态的神经网络。它的代码简洁，优美，也具有很强的性能。举个例子，如果我们要在Theano或者TensorFlow下进行向量的运算，我们会先定义一个tensor，再对tensor做计算，然后定义一个func
复制链接

扫一扫