深度学习/语义分割入门笔记（三）——Pytorch环境搭建

一、目的

使用Pytorch进行语义分割的实验，模型暂定使用unet，首先进行pytorch的环境搭建。

二、步骤

在之前的笔记中，我们已经搭建好了python的一个基本工作环境，下载了Pycharm、anaconda等必要的环境配置以及编程工具。

1、新建虚拟环境命名为pytorch；在prompt中写入命令：

conda create -n pytorch python=3.10

2、激活虚拟环境；在prompt中写入命令(conda可有可无)：

conda activate pytoch

3、在虚拟环境中安装pytorch；这里涉及到CPU以及GPU的问题。

• 查看计算机显卡配置：右击我的电脑，点击【管理】，打开【系统工具】-【设备管理器】-【显示适配器】，查看显卡配置。我的显卡是集成显卡Intel(R) UHD Graphics 620，不支持GPU加速。

• 不支持CPU的情况下，pytorch的下载方式：Start Locally | PyTorch

到官网选择进行如下选择，复制command命令到prompt中，弹出选择y。

支持GPU加速的话，需要下载Cudnn和CUDA，具体需要什么版本，需要与自己的显卡对应，可以参考第二个参考文章。

三、问题解答

1、CPU和GPU在运行PyTorch的时候有什么区别？

PyTorch是一个基于Python的科学计算库，主要用于机器学习和深度学习领域。PyTorch支持CPU和GPU两种运行方式。

CPU版本的PyTorch只能使用CPU进行计算，速度相对较慢，但是不需要额外的硬件支持，可以在任何计算机上运行。

而GPU版本的PyTorch则可以利用GPU进行计算，速度相对较快，但是需要有支持CUDA的GPU硬件。在深度学习任务中，GPU通常能够比CPU提供更好的性能和速度，尤其是在大规模数据训练和复杂的模型训练中。

因此，如果你的计算机有支持CUDA的GPU，建议使用GPU版本的PyTorch来进行深度学习任务，以获得更好的性能和速度。如果没有GPU支持，也可以使用CPU版本的PyTorch，但是需要注意速度较慢的问题。

总结一下就是，GPU最好，CPU行不行我先试试。

四、参考文章

pytorch在cpu和gpu代码运行过程区别 pytorch cpu和gpu版本怎么选_mob6454cc7d4112的技术博客_51CTO博客

深度学习环境配置8——（30系显卡）windows下的torch==1.7.1环境配置_https://blog.csdn.net/weixin_44791964/article/deta_Bubbliiiing的博客-CSDN博客