1、添加镜像源
PyTorch
是从海外源下载,在安装过程中常常会有下载缓慢甚至断线的问题。在这里,
无论是要安装
CPU
还是
GPU
版本,我们都可以选择修改镜像源来提高下载速度。
在这里我使用的是清华源,大家可以随意选择自己偏好的源。
打开
cmd
或者
anaconda prompt
,输入以下代码:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
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/pkgs/main/
conda config --set show_channel_urls yes
添加完毕后,运行下面这段代码查看镜像源设置是否成功:
conda config --show
如果在channels下方可以查看我们添加的镜像源,那就是设置成功了。
![](https://i-blog.csdnimg.cn/blog_migrate/ea6f3f91755f3ad4c61b81602222ffea.png)
设置完镜像源,我们就可以开始进行PyTorch安装了。
2
、在
Win10
系统下配置
PyTorch
(
CPU
版)
(1)首先为PyTorch创建一个虚拟环境。实际项目开发过程中,我们通常会根据自己的需求去下载各种框架和库,但可能每个项目使用的框架和库并不一样,或使用的版本不一样,这时就需要根据需求不断地更新或卸载相应的库,管理起来相当麻烦。创建虚拟环境相当于为不同的项目创建一个独立的空间,在这个空间里安装的任何库和框架都是独立的,不会影响到外部环境。
因为安装了Anaconda,所以创建虚拟环境变得很简单,可以使用Anaconda Prompt来创建。
首先打开Anaconda Prompt。在命令行窗口输入以下代码:
conda create --name pytorch(cpu) python=3.8
注意这里的pytorch(cpu)是虚拟环境的名称,可以自由命名。创建完成之后,可以输入以下命令,进入虚拟环境pytorch:
activate pytorch(cpu)
不想使用Pytorch(cpu)时,可以输入conda deactivate 关闭当前虚拟环境。
(2) 进入该虚拟环境后,我们就可以安装PyTorch了。
过去我们安装
PyTorch
的流程非常繁杂,我们需要考虑所使用的
Python
版本,考虑我们所使用的硬件的版本等等。在PyTorch 1.7
以上版本,以及
CUDA 11.0
版本,我们将不再需要考虑显卡或
Python
版本的问题,而可以直接使用简单的语句来进行安装。在三个系统下,我们分别输入如下命令,即可进行安装:
Windows
打开
cmd
或者
anaconda prompt
,输入以下代码:
conda install pytorch torchvision torchaudio cpuonly
此处我们已经设置了使用清华源进行下载,因此不需要再添加类似于 -c 的命令。
接下来我们需要使用以下代码来验证
PyTorch
是否已经被安装成功了,在
cmd/terminal
中输入
python
来,进入python
环境:
python
之后输入导入
torch
库的代码:
import torch
如果没有报错,则说明安装成功了。
![](https://i-blog.csdnimg.cn/blog_migrate/9cd842bf05c7d0a6664c991daf774614.png)
3、配置GPU版本之前
GPU版本的TyTorch需要安装CUDA。
CUDA(
Compute Unified Device Architecture
)是
NVIDIA
推出的并行计算框架,只有安装这个框架我
们的
GPU才能够被调用来进行复杂的并行计算。
首先,
PyTorch
是位于最顶层的深度学习框架,
GPU
是底层硬件,而硬件与深度学习框架之间
“
语言不
通
”
。
GPU
不能直接识别
PyTorch
的代码和指令,它需要二进制代码指令,所以在
GPU
与
PyTorch
之间,
我们需要能够转换指令、传递数据的接口
——
也就是
CUDA和显卡驱动。
CUDA
是上层应用程序的接口,
它的职责就是将我们在
PyTorch
中编写好的程序信息(比如让
GPU
内部开多少个线程来算,怎么算之类
的)整理出来,传递到底层硬件的接口,也就是显卡驱动那里。每当显卡驱动收到
CUDA
发来的指令
后,它对
CUDA
程序进行编译,再将命令以及编译好的程序数据传送给
GPU
,这样
GPU
就可以进行运算
了。
所以在这个过程中,
CUDA
需要与
PyTorch
互通,也需要与显卡驱动互通,而显卡驱动需要与
GPU
互通,这种“
互通
“
就是我们常常说到的
”
兼容
“
。如果不兼容,那
PyTorch
就无法顺利调
GPU。
正因如此,许多 PyTorch的
GPU
版本安装教程中,都会让大家查询显卡对应的驱动版本,然后再根据显卡驱动版本配置相应版本的CUDA
。了解了
CUDA
、显卡驱动、显卡以及
PyTorch
的关系之后,我们可以来进行安装了。
如果GPU是10代之后(GTX 10XX,RTX系列等),应该使用最新版本的CUDA。
4、在Win10与Ubuntu系统下配置PyTorch(GPU版,10代后显卡)
(1)更新显卡驱动
进入以下页面:
https://www.nvidia.com/Download/index.aspx
根据你的系统信息(win
或者
Linux
,
64
位或
32
位等)和显卡信息,让英伟达为你推荐最适合的显卡驱动。需要注意的是,如果你的GPU
只用于深度学习,你应该选择
Studio Driver,这个版本更稳定。
下载后双击
exe
文件进行更新,一路点击
“
确定
”
与
“
下一步
”,不要修改任何设置。
更新完毕之后,进入你的
NVIDIA
控制面板,查看现有的驱动
程序版本。
(
2
)安装
11.0
版本
CUDA
在以下页面中,根据系统选择下载的
CUDA
版本:
https://developer.nvidia.com/cuda-11.0-download-archive
下载完成后,后双击exe
安装包,直接进入安装页面,一路点击同意,确定,下一步,不要修改任何内容。
安装完成后,打开cmd/terminal,输入以下代码:
nvcc -v
如果显示CUDA版本信息,则安装成功。
![](https://i-blog.csdnimg.cn/blog_migrate/85e93d21cc9f05f38f8c86557a8eb43e.png)
(
3
)在
win10
系统下安装
cuDNN
(非必须)
cuDNN
是基于
CUDA
的一个计算库,我们之前说过,
CUDA
的职责就是将我们在
PyTorch
中编写好的程序信息(比如让GPU
内部开多少个线程来算,怎么算之类的)整理出来,而
cuDNN
就是基于
CUDA
,但更擅长整理深度卷积神经网络计算的程序。安装cuDNN
后,我们的卷积神经网络将能够跑得更快。
下载
cuDNN
安装包
在以下页面下载
cuDNN
:
https://developer.nvidia.com/rdp/cudnn-archive
注意,下载
cuDNN
会需要成为英伟达开发俱乐部会员(免费),你需要注册并验证邮箱,完成一个调查报告后才能够下载cuDNN。
当你注册完
成后,可以进入以下页面找到与你的
CUDA
匹配的
cuDNN
版本,进行下载。
下载完成,解压安装包
解压安装包后,会得到如下bin、include、lib三个目录:
![](https://i-blog.csdnimg.cn/blog_migrate/7a4a22cbd511611c0c78200a5f9893b8.png)
接下来,将这三个目录拷贝到:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0
这个目录对应的
include
,
lib
,
bin
文件目录下即可。
注:
在将
lib
等文件夹拷贝到新目录时,不是替换原本的文件夹,而是将文件夹放入对应的文件夹
中。
添加环境变量
将你的英伟达环境变量添加到系统中。根据你安装的CUDA版本与你系统的不同,你的环境变量地址,其实就是你的lib文件夹中的x64或x32文件夹的地址,如:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\lib\x64
将该英伟达的目录路径添加入系统变量的“path"路径中,点击确定,环境变量就配置完成了。
(
4
)安装
PyTorch
在准备好显卡驱动之后,我们可以直接使用简单的语句来进行
PyTorch
安装。
首先为PyTorch创建一个虚拟环境。打开Anaconda Prompt。在命令行窗口输入以下代码:
conda create --name pytorch(gpu) python=3.8
创建完成之后,可以输入以下命令,进入虚拟环境pytorch(gpu):
activate pytorch(gpu)
不想使用Pytorch(gpu)时,可以输入 conda deactivate关闭当前虚拟环境。
(2) 进入该虚拟环境后,我们就可以安装PyTorch了。
Windows
打开
cmd
或者
anaconda prompt
,输入以下代码:
conda install pytorch torchvision torchaudio
cudatoolkit
=
11
.0
此处我们已经设置了使用清华源进行下载,因此不需要再添加类似于
-c
的命令。
安装过程需要一段时间,请耐心等待。安装完成后会显示自动同意相关许可及
done
等字样。当再次 进入可以输入的状态时,就是安装完成了。接下来我们需
要使用以下代码来验证
PyTorch
是否已经被安装成功了,在
cmd/terminal
中输入
python
来
进入
python
环境:
python
之后输入导入
torch
库的代码:
import torch
torch.cuda.is_available()
如果导入没有报错,且返回
True
,则说明安装成功,可以使用pytorch的GPU版本了。