（二）Ubuntu系统Pytorch环境配置

环境配置系列：

（一）Ubuntu安装详细教程（从镜像制作到NVIDIA驱动安装全流程）——超详细的图文教程
（二）Ubuntu系统Pytorch环境配置
（三）Windows系统Pytorch环境配置（简易方法安装CUDA和cuDNN）

Ubuntu20.04+GTX 1050(notebook)安装paddlepaddle

1、前言

假设你已经按照（一）Ubuntu安装详细教程（从镜像制作到NVIDIA驱动安装全流程）——超详细的图文教程安装好了Ubuntu系统，现在我们要为pytorch的使用配置环境：

• miniconda：一个环境管理软件，环境和环境之间隔离，在不同环境中你可以安装不同python版本和pytorch版本等，这在实践中非常方便，我想你也不希望当你想使用另一个pytorch版本时，只能卸载当前pytroch在安装。有了miniconda你可以直接新建一个环境，在新环境中安装你想要的pytroch版本。
• CUDA：想要使用GPU进行pytroch加速，就需要这个帮助你并行计算（当然不需要你去操作，你只需要安装好就行）
• cuDnn：深度神经网络的加速库，CUDA的小弟
• pytorch：不多说了

当然本文是Ubuntu下安装Pytorch，Windows下安装Pytorch环境移步：（三）Windows系统Pytorch环境配置（简易方法安装CUDA和cuDNN）

2、安装miniconda

你或许在其他教程中看到过要安装Anaconda，但实际上miniconda就够用了，两个的区别可以理解为Anaconda为全家桶，它会帮你预装很多东西，实际上却用不到（比如数据分析，如果你不是这个方向）。

miniconda可以从官网下载并安装，这里就不详细介绍了，这只是一个软件，而且网上有大量的安装教程和使用教程。

3、安装Pytorch

我们先使用miniconda创建一个python环境，在终端使用conda 命令

# 创建一个name为EnvsName的环境，该环境的python=3.7
conda create -n EnvsName python=3.7

# 激活进入使用该环境，此时提示符最前面应该有个()，里面是环境名字，表示你现在在这个环境里
conda activate EnvsName

现在来安装Pytorch，先去官网选择自己的配置，在下方给出了pip的安装命令

Ubuntu系统所以选择Linux，对于CUDA版本根据自己的需求选择，如果使用的是安培架构的GPU，推荐使用CUDA11以上。如果你使用的是非安培架构的GPU，推荐使用CUDA10.2，性能更优。
我的不是安培架构，所以选择了CUDA10.2

复制该命令（如果不需要，可以去掉torchaudio）到终端中执行，等待便可成功安装。

4、安装CUDA和cuDNN

本部分是借鉴了：Ubuntu下安装CUDA，对于CUDA部分的安装完全按该教程是没有问题的

以下重点讲cuDNN部分

首先，进入官网下载cuDNN，选择与CUDA合适的版本。比如我安装的CUDA11.3，则直接选择Download cuDNN v8.4.1 (May 27th, 2022), for CUDA 11.x，该版本的cuDNN适合11.0系列的CUDA。

点击cuDNN v8.4.1展开后下载Local Installer for Windows (Zip)，然后执行下面的命令：

# 为了方便，假设你的cudnn文件夹名为cuDNNFolder
1.解压下载的cuDNN的tar包.
  $ tar -xvf cuDNNFolder.tar.xz
  
2. 复制cuDNN文件(*代表符合该规则的所有文件)
  $ sudo cp cuDNNFolder/include/cudnn*.h /usr/local/cuda/include 
  $ sudo cp -P cuDNNFolder/lib/libcudnn* /usr/local/cuda/lib64 
  $ sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

在~/.bashrc文件中添加环境变量（cuda-11.3是我安装的cuda版本）：

export LD_LIBRARY_PATH=/usr/local/cuda-11.3/targets/x86_64-linux/lib${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

然后重启终端或者重启电脑更新

5、验证

至此，Pytorch、CUDA和cuDNN都按照好了，来验证下是否成功

网上大多数是通过torch.cuda.is_availabel()来验证，但是实践中发现有时该命令输出True后，在后续pytorch使用中也会报错。

所以更稳靠的方式是创建一个tensor，并放置到cuda上去，如果没有报错并成功放上去了，就证明验证成功，并可以正常使用CUDA：
torch.tensor([1]).cuda()
该命令是创建一个内容为[1]的tensor，并将其放置到cuda上去，如下图结果是成功创建了tensor，并且该tensor位于’cuda:0’上

查询版本信息的代码：

print("Python Version:", sys.version)	# python版本
print("pytorch version:", torch.__version__)	# pytorch版本
print("CUDA Version:", torch.version.cuda)	# cuda版本
print("cuDnn Version:", torch.backends.cudnn.version())	# cudnn版本
print("Devices:", device)	# 使用的设备cuda or cpu