文章目录
写在前面
Tips:如果是建立虚拟环境,然后使用conda
进行下载,那么大可不必在安装pytorch之前安装CUDA,因为conda已经将此打包好了。并且虚拟环境(文件夹)里面conda和cudnn和外面的没关系,系统可以不装cuda,虚拟环境里面有就可以,但是显卡驱动需要装。所以这种情况可以直接看1.2节和第3节。
此外,我在安装Pytorch时没有使用国内的下载源,使用的默认的。国内的我没有连接上。
0 Anaconda的安装和配置
这部分参考的我的这个博客:Anaconda安装、环境的配置以及Jupyter和Spyder的打开
1 CUDA
在安装GPU版本的Pytorch之前需要安装好CUDA和cuDNN,这里先安装CUDA。CUDA的官网是:https://developer.nvidia.com/cuda-zone
1.1 什么是CUDA?
CUDA是NVIDIA开发的一种并行计算平台和编程模型,用于图形处理单元(GPU)上的常规计算。借助CUDA,开发人员能够利用GPU的功能来显着加快计算应用程序的速度。简而言之就是用来加速的.
在GPU加速的应用程序中,工作负载的顺序部分在CPU上运行(针对单线程性能进行了优化),而应用程序的计算密集型部分则在数千个GPU内核上并行运行。
1.2 安装之前对计算机的检查
在安装之前自己计算机的配置是比较重要的,可以知道自己的计算机是否支持GPU等问题。
1.2.1 检查电脑的显卡
在确定是否有支持CUDA的GPU之前,我们需要知道电脑是什么显卡,以及计算机的计算能力(现在的不知道你不知道也没关系,都能满足所要求的计算能力)。
- 右键点击桌面
- 如果在弹出窗口中看到“ NVIDIA控制面板”或“ NVIDIA显示”,则说明具有NVIDIA GPU
- 在弹出窗口中单击“ NVIDIA控制面板”或“ NVIDIA显示"
- 打开后我们可以看到如下图所示的信息:
这里我们可以看到计算机的显卡是英伟达的GrForce 940M(咳咳,版本有点菜),下一步我们可以检查其是否支持CUDA.
1.2.2 检查电脑里的显卡是否支持CUDA
在上一步1.2.1里我们已经知道了计算机的显卡(这里是GrForce 940M),这一步我们查看其是否支持CUDA。
1.进入到网站 https://developer.nvidia.com/cuda-gpus
2.找到下图所示内容
3.这里的是GeForce的产品,所以我们单击其前面的图标。
4.如果可以找到类似下图的信息,则说明我们的计算机支持CUDA。其中5.0代表计算机的计算能力。
1.3 下载并安装CUDA
经过1.2节的检查我们已经知道自己的计算机是否支持CUDA了,下面进行安装。
1、进入下载网站:https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
2、选择合适的版本下载,我的是10.1版本的。
3、通过比较MD5码,检查下载的CUDA的完整性。这一步参考链接2.2。也可以不进行这一步。
4、我的安装步骤完全按照提示进行的(这也是官网推荐的,但会覆盖计算机本来的版本)。
如何查看计算机本来CUDA的版本呢?只需要在1.2.1节的图片中,点击“帮助”>“系统信息”>“组件”,这样我们就可以看到了。
1.4 检查CUDA是否安装成功
官方验证步骤:https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html#compiling-examples__valid-results-from-sample-cuda-bandwidthtest-program
在此之前,可以添加环境变量。这里我按照官网上的步骤并没有添加
First:通过nvcc -V
验证
1、按Windows+R,输入cmd,进去cmd.exe
2、输入nvcc -V
3、显示类型下图的版本信息
还有另外的方法进行验证
Second: 运行deviceQuery或bandwidthTest 示例程序
2 cuDNN
2.1 什么是cuDNN?
NVIDIA CUDA Deep Neural Network library(cuDNN)是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现,例如前向和后向卷积,池化,规范化和激活层。cuDNN是NVIDIA Deep Learning SDK的一部分。
2.2 安装前满足的条件
计算机计算能力大于3.0
2.3 安装
1、先去网站https://developer.nvidia.com/cudnn,下载对应的版本。
2、进行解压:会生成include、lib、bin三个目录;
3、分别将include、lib、bin三个目录中的拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1(这个是CUDA的默认安装路径),替换原来的include、lib、bin目录下即可。
4、将bin所在的目录添加到环境变量 PATH 中。
这一部分可以参考官网的步骤:https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#install-windows
3 安装PyTorch-GPU
1、以管理员方式运行Anaconda Prompt
2、创建名为pytorch_gpu
的虚拟环境
conda create -n pytorch_gpu pip python=3.7
虚拟环境的名字可以设置一个好记的
3、进入虚拟环境
conda activate pytorch_gpu
4、安装Pytorch
按照官网的方式需要下载这三个packages。
方法一:
直接使用官网上的方法,我失败了,原因是下载的源不对。我之前添加了清华的源和中科院的源。
方法二:
换回了默认源,使用官网的方式。
这个方法有时候时间很长,第一次我是在晚上,运行了命令就去睡觉了,第二天起来显示连接失败。于是,第二天一大早我再次运行命令(conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
),很快就下载完了pytorch-1.5.0
,但是还有两个没有下载成功,也不是再次运行同样的命令,结果很快下载完了cudatoolkit-10.1.243
。最后运行同样的命令,很快下载完了torchvision-0.6.0
。
5、验证是否成功
输入python
,输入import torch
,没有出现错误即安装完成。
6、检验其输出是否可以正常调用CUDA
运行print(torch.cuda.is_available())
,显示True
,则表示可以正常调用。
4 在PyCharm中使用PyTorch
参考:https://blog.csdn.net/snail9610/article/details/106206976
5 其他的发现
5.1 其他下载源的发现
如下所示,进入Anaconda的官网,从搜索栏里可以找到自己想要的库以及下载命令(点开某一个,在下方就可以看到)。
5.2 其他人的下载方法
1、使用pip和清华的源[3]
pip install https://download.pytorch.org/whl/cu90/torch-1.0.1-cp36-cp36m-win_amd64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple some-package
pip install torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple some-package
参考链接
- https://blog.csdn.net/weixin_41738030/article/details/90545071
- https://blog.csdn.net/Mind_programmonkey/article/details/99688839
- https://blog.csdn.net/weixin_36836622/article/details/89376546
- https://blog.csdn.net/cmat2/article/details/80407059
- https://www.cnblogs.com/taosiyu/p/11443377.html