手把手教你升级PyTorch 2.0和CUDA

最新推荐文章于 2024-10-12 23:43:25 发布

Python学研大本营

最新推荐文章于 2024-10-12 23:43:25 发布

阅读量1.6k

点赞数 2

文章标签： pytorch 人工智能 python

本文链接：https://blog.csdn.net/weixin_39915649/article/details/132623888

版权

本文将手把手带你升级到PyTorch 2.0。

微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩

为什么要升级？

PyTorch 2.x更快，更符合Python语言习惯，仍然具有动态性。
弃用CUDA 11.6和Python 3.7支持。

升级目标

升级之后，使Python、CUDA、CUDNN、PyTorch的版本如下所示：

Python ≥ 3.8，≤ 3.11
CUDA ≥ 11.7.0
CUDNN ≥ 8.5.0.96
PyTorch ≥ 2.0.0

使用PyTorch 2后，人们将大大提升日常使用PyTorch的方式。

数据科学家将能够在PyTorch 2.x中完成与1.x相同的任务，并且可以更快速、更大规模地完成任务。

升级步骤

如果你的Python版本≥ 3.8，≤ 3.11，请跳到下一部分

将Python从≤3.8升级到3.10的步骤：

对于全新安装，请删除所有现有的Python相关文件

# 用实际的版本号替换X
sudo apt --purge remove python3.X
sudo apt-get autoremove
sudo apt-get autoclean

预安装操作

sudo apt update

# 安装所需的依赖项
sudo apt install build-essential zlib1g-dev libncurses5-dev libgdbm-dev libnss3-dev libssl-dev libreadline-dev libffi-dev wget

从源代码安装Python 3.10.6

从Python网站下载所需的版本（这里是3.10.6）。

【网址】：https://www.python.org/downloads/source/

# 提取源代码
tar -xvf Python-3.10.6.tgz

# 配置构建 
cd python-3.10.6
./configure --enable-optimizations --prefix=/usr/local

# 开始构建过程
make -j $(nproc)

# 构建完成后，安装Python
sudo make install

打开./bashrc文件，并在末尾添加以下行：

export PATH="/usr/local/bin:$PATH"

保存文件并通过运行以下命令更新当前会话的环境变量：

source ~/.bashrc

验证Python版本：

python3 --version

which python3

如果CUDA≥11.7.0，请跳到下一部分

使用Nvidia Geforce RTX显卡在Ubuntu 22.04上升级Cuda ≤ 11.7的步骤：

对于全新安装，请删除所有现有的CUDA相关文件

sudo apt-get --purge remove "*cuda*" "*cublas*" "*cufft*" "*cufile*" "*curand*"  "*cusolver*" "*cusparse*" "*gds-tools*" "*npp*" "*nvjpeg*" "nsight*"
sudo apt-get --purge remove "*nvidia*"
sudo apt-get autoremove
sudo apt-get autoclean

预安装操作：

# 验证你是否拥有支持CUDA的GPU
lspci | grep -i nvidia

# 验证系统是否已安装gcc
gcc --version

# 验证系统是否已安装正确的内核头文件和开发包
sudo apt-get install linux-headers-$(uname -r)

安装NVIDIA CUDA工具包11.7.1（推荐使用Debian安装程序）

# 安装存储库元数据，更新GPG密钥，更新apt-get缓存并安装CUDA
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda-repo-ubuntu2204-11-7-local_11.7.1-515.65.01-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2204-11-7-local_11.7.1-515.65.01-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2204-11-7-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda

有关更多关于在Ubuntu 22.04上升级CUDA的详细步骤，你可以参考以下链接：https://developer.nvidia.com/cuda-toolkit-archive。

在安装CUDA时，可能要求你为MOK管理创建密码，请执行此操作。

重新启动系统以加载NVIDIA驱动程序。如果出现蓝屏，请不要继续启动，而是登记提供你之前创建的密码的密钥，然后继续启动。

打开./bashrc文件，并在末尾添加以下行:

export PATH=/usr/local/cuda-11.7/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

保存文件并通过运行以下命令更新当前会话的环境变量：

source ~/.bashrc

验证CUDA版本：

nvcc --version

nvidia-smi

如果已经CUDNN≥8.5.0.96，请跳到下一部分

升级CUDNN≤ 8.5.0.96的步骤：

安装CUDNN 8.5.0.96（建议使用Debian安装程序）

wget https://developer.nvidia.com/compute/cudnn/secure/8.5.0/local_installers/11.7/cudnn-local-repo-ubuntu2204-8.5.0.96_1.0-1_amd64.deb
sudo dpkg -i cudnn-local-repo-ubuntu2204-8.5.0.96_1.0-1_amd64.deb

# 导入CUDA GPG密钥
sudo cp /var/cudnn-local-repo-ubuntu2204-8.5.0.96/cudnn-local-*-keyring.gpg /usr/share/keyrings/

# 刷新存储库元数据
sudo apt-get update

# 安装运行时的库
sudo apt-get install libcudnn8=8.5.0.96-1+cuda11.7

# 安装开发人员库
sudo apt-get install libcudnn8-dev=8.5.0.96-1+cuda11.7

有关详细信息，请参见此处（https://developer.nvidia.com/rdp/cudnn-archive）。

如果你已经有PyTorch≥ 2.0.0，则非常棒。

升级PyTorch≤ 2.0.0的步骤：

# 如果你有virtualenv并使用pip作为管理器
pip install torch==2.0.0+cu117 torchvision==0.15.1+cu117 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu117

对于其他操作系统或包管理器，请参见此处（https://pytorch.org/get-started/previous-versions/）。

有关下载wheel文件的详细信息，请参见此处（https://download.pytorch.org/whl/cu117）。

验证PyTorch 2.0的安装：

python3 -c "import torch; print(torch.__version__)"

推荐书单

《PyTorch深度学习简明实战》

本书针对深度学习及开源框架——PyTorch，采用简明的语言进行知识的讲解，注重实战。全书分为4篇，共19章。深度学习基础篇（第1章~第6章）包括PyTorch简介与安装、机器学习基础与线性回归、张量与数据类型、分类问题与多层感知器、多层感知器模型与模型训练、梯度下降法、反向传播算法与内置优化器。计算机视觉篇（第7章~第14章）包括计算机视觉与卷积神经网络、卷积入门实例、图像读取与模型保存、多分类问题与卷积模型的优化、迁移学习与数据增强、经典网络模型与特征提取、图像定位基础、图像语义分割。自然语言处理和序列篇（第15章~第17章)包括文本分类与词嵌入、循环神经网络与一维卷积神经网络、序列预测实例。生成对抗网络和目标检测篇（第18章~第19章)包括生成对抗网络、目标检测。

本书适合人工智能行业的软件工程师、对人工智能感兴趣的学生学习，同时也可作为深度学习的培训教程。

《PyTorch深度学习简明实战》https://item.jd.com/13512395.html

精彩回顾

《10个Python代码分析工具，助力高效编程》

《使用Scikit-Learn，快速掌握机器学习预测方法》

《添加数据维度，使用Python绘制5D散点图》

《手把手教你使用PyTorch搭建神经网络》

《掌握这18个Pandas知识点，快速入门数据分析》

《GPT4ALL：终极开源大语言模型解决方案》