前置介绍
为什么要配置GPU版本的pytorch呢?相信看到这篇博文的朋友应该都不用解释了,但为了防止萌新小白不理解还是和大家做个简短的前置知识介绍。
GPU加速的必要性:深度学习模型的训练通常需要大量的计算,而GPU(图形处理单元)由于其并行计算能力,可以显著加速这些计算过程,特别是在处理大规模数据和复杂模型时。
CUDA和cuDNN:PyTorch GPU版本的运行依赖于NVIDIA的CUDA(Compute Unified Device Architecture)平台,它允许开发者使用GPU进行通用计算。cuDNN(CUDA Deep Neural Network library)是NVIDIA提供的用于深度神经网络的加速库,可以进一步提高PyTorch的性能。
兼容性:在安装之前,需要确保你的NVIDIA GPU与CUDA版本兼容,同时你的系统(Windows、Mac或Linux)也需要满足PyTorch的安装要求。
检查GPU兼容性
安装CUDA Toolkit
首先打开命令行输入nvidia-smi查看自己设备GPU所支持的最高版本,如下图所示然后进入CUDA官网选择一个不高于CUDA Version的版本(在这之前建议先更新自己的显卡驱动可以提高版本,具体步骤不在这里赘述)
进去CUDA官网之后根据自己的GPU所支持的选择版本
这里以11.4.0版本,Windows本地配置环境作为演示,其他类似。
下载好后正常安装
选择安装位置(如果改了安装位置记一下,后面要用),然后点击下一步
继续下一步
点击关闭完成安装
命令行输入nvcc --version
查看是否为自己所安装的版本,是否安装成功
安装cudnn
进入cudnn官网下载页面选择合适的版本进行下载,这里以8.9.7为例
选择Windows版本进行下载
下载完成后解压压缩包,将其中的bin,include,lib文件复制到之前安装的的CUDA toolkit文件位置,默认位置为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4
然后把上述三个文件添加到环境变量中
创建虚拟环境(推荐)
这里使用Anacanda
进行虚拟环境的创建,打开Anacanda
命令行
创建一个名为pytorchTest的虚拟环境,命令如下conda create -n pytorchTest python==3.8
输入y继续,等待环境创建完成
使用conda activate pytorchTest
激活刚才创建的环境,括号前面变为pytorchTest即为激活成功
安装pytorchGPU
打开pytorch官网下载最新的版本,复制命令到Anaconda命令行进行下载
代码如下
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
也可根据自己需要选择之前的版本,这里以1.6.0版本为例,大家根据自己需要以及版本兼容进行选择
命令如下
conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.2 -c pytorch
输入y继续,等待下载完成
验证pytorchGPU是否安装成功
在该环境下运行python,输入如下代码,如果显示True
即为成功
import torch
print(torch.cuda.is_available())
至此,从0开始配置pytorchGPU环境结束。按照这些步骤,你应该能够顺利地为你的PyTorch项目配置GPU环境。如果在安装过程中遇到任何问题,可以评论区给我留言或者私信我,如果对大家有帮助的话还请点赞收藏关注支持一下。
g5zwKH-1717663331147)]
至此,从0开始配置pytorchGPU环境结束。按照这些步骤,你应该能够顺利地为你的PyTorch项目配置GPU环境。如果在安装过程中遇到任何问题,可以评论区给我留言或者私信我,如果对大家有帮助的话还请点赞收藏关注支持一下。
关于Anaconda的安装与使用大家可以自行解决下,过两天我也会写一份教程。