一、Windows(64bit)下安装pytorch-cpu
首先说个题外话,为了日后使用的方便最好是将将conda和pip的软件源修改成清华的源,这样的话,使用conda或者pip安装软件速度会快很多。可使用如下指令进行设置:(当然只是建议,与本次pytorch的安装无关,pytorch都是直接从官网上下载,速度还挺快)
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
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
1.1 使用pip安装
以Python 3.6为例
pip3 install https://download.pytorch.org/whl/cpu/torch-1.0.1-cp36-cp36m-win_amd64.whl
pip3 install torchvision
1.2 使用anaconda安装
命令:
conda install pytorch-cpu torchvision-cpu -c pytorch
下载太慢的话直接下载whl文件再安装:http://download.pytorch.org/whl/cpu/torch-1.1.0-cp36-cp36m-win_amd64.whl
修改torch-1.1.0-cp36-cp36可以直接获取对应版本。
然后直接cd到下载目录,再安装:
conda install --use-local xxx.whl
如果安装时出错,最后只能在anaconda prompt中使用pip安装:
pip install xxx.whl
1.3 直接按官网上给出的命令下载:
官网网址:
https://pytorch.org/get-started/locally/
选择对应的版本参数,官网会自动给出最新的安装命令
二、Windows(64bit)下安装pytorch-gpu
由于实验的神经网络规模越来越大,原来基于cpu的pytorch难以满足需求,好在数据集规模不大,由于自己的电脑有一块英伟达的显卡(如果同学的显卡是A卡则暂时不能按此方法使用GPU),可以使用cuda开启GPU进行计算。如果显卡显存较小,个人感觉没有必要选择GPU版本。
2.1 下载安装cuda
默认显卡驱动已经安装
查看gpu属性的方式:“此电脑”右键“属性”→“设备管理器”→“显示适配器”,会跳出具体的版本。
查询满足cuda所提供的安装配置需求
https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html#axzz4TpI4c8vf
然后进入https://developer.nvidia.com/cuda-downloads,选择对应的系统配置下载cuda.xxxxxx.exe文件。
验证是否已安装:打开cmd,输入:nvcc -V,输出:
2.2 下载cudnn并配置相关环境
官网:
https://developer.nvidia.com/cudnn
相比于cuda,cuda在一些常用的神经网络操作上进行了性能的优化,比如卷积,pooling,归一化,以及激活层等等。
所以配置cudnn就是为了cuda进行一些修改,所以我们要先安装cuda。注:cuDNN下载需要注册。
下载之后
- 解压:会生成cuda/include、cuda/lib、cuda/bin三个目录;
- 分别将cuda/include、cuda/lib、cuda/bin三个目录中的内容拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5对应的include、lib、bin目录下即可。注意是补充进去,不是全部替换。
- 将bin所在的目录添加到环境变量 PATH 中,“此电脑”→“高级系统设置”→“环境变量”→“系统变量”→“path”→“编辑”→“新建”加入该路径即可。
2.3 下载GPU版本的pytorch
还是从官网下载:
https://pytorch.org/get-started/locally/
选择对应的版本,官网会自动给出最新的安装命令
最后验证安装:
import torch
torch.cuda.is_available()
输出true