工欲善其事必先利其器!这是CVHub公众号的第三篇原创文章,也是 《学术小白也能看懂的学术进阶专栏》(计算机视觉方向)的第三篇文章!
导读
在跑实验的时候,不同的论文里面的代码可能用到运行环境是不一样的。如果我们对这些环境不加以区分,全部都使用一个环境,那么很容易会出现各种问题。因此,多环境隔离是十分重要的。常用的解决方法主要有以下几种: anaconda,venv, pyenv, pipenv 等等。其中笔者比较推荐使用 anaconda,因为其功能比较齐全且还提供可视化管理界面,对新手还是十分友好的。因此本文将以 anaconda 为例,从零开始完成深度学习环境的搭建。本文环境:
显卡:GTX 1050
操作系统:win10,版本 2004
PyTorch 版本:V1.5.0
CUDA 安装
本文以 CUDA10.1 为例进行安装(其他版本的也是相同的安装步骤)。首先在安装之前我们可以看一下官方给出的 安装指引 (选读)。https://docs.nvidia.com/cuda/archive/10.0/cuda-installation-guide-microsoft-windows/index.html首先,我们在pytorch官网找到我们所需要的 Pytorch 版本所支持的 CUDA 版本,以 Pytorch1.5 为例,
https://pytorch.org/get-started/previous-versions/
# CUDA 9.2
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=9.2 -c
# CUDA 10.1
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.1 -c pytorch
# CUDA 10.2
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.2 -c pytorch
# CPU Only
conda install pytorch==1.5.0 torchvision==0.6.0 cpuonly -c pytorch
PyTorch1.5 支持的 CUDA 版本为 9.2,10.1 和 10.2。
本文中我们选择使用 CUDA10.1。因此我们需要到 NVIDIA 官网去寻找对应的 CUDA 版本进行下载。下面的网址中包含了所有的 CUDA 版本,我们首先选择对应版本
https://developer.nvidia.com/cuda-toolkit-archive
![0ce941850b556693fe8a0f8d01f32598.png](https://img-blog.csdnimg.cn/img_convert/0ce941850b556693fe8a0f8d01f32598.png)
进入之后,选择对应的操作系统,和安装类型就可以了。其中 exe(network)是下载器,exe(install)则是完整的安装文件,这里选择后者进行下载。
![9972b43ecd4c8c2ec968842973092565.png](https://img-blog.csdnimg.cn/img_convert/9972b43ecd4c8c2ec968842973092565.png)
![9da34464509d03c06ab80f6a593f5b18.png](https://img-blog.csdnimg.cn/img_convert/9da34464509d03c06ab80f6a593f5b18.png)
这里我们选择自定义安装,默认全选。
![b482b67412be345881601530ea5b4d43.png](https://img-blog.csdnimg.cn/img_convert/b482b67412be345881601530ea5b4d43.png)
![263557a896e63b375e70fd800c8f6677.png](https://img-blog.csdnimg.cn/img_convert/263557a896e63b375e70fd800c8f6677.png)
然后后面直接一直下一步就好了。如无意外,应该就能成功安装好了。这时候打开 cmd,输入:
nvcc -V
此时就能看到输出的版本信息:
![0a8c8ae14e90b3e11f13059483c89dc8.png](https://img-blog.csdnimg.cn/img_convert/0a8c8ae14e90b3e11f13059483c89dc8.png)
但是为了使用 nvidia-smi 来查看我们的显卡状态,还需要添加一个环境变量。
nvidia-smi 的默认路径是 C:\Program Files\NVIDIA Corporation\NVSMI把这个路径加入到 Path 环境变量中,就可以使用 nvidia-smi 了。
Anaconda 安装
有些教程在安装完 CUDA 之后还会选择安装 cudnn。由于 Anaconda 安装 Pytorch 环境时,会自动选择合适的 cudnn 版本进行安装,因此不需要我们额外安装一个 cudnn。首先我们去到 Anaconda官网 下载相应的版本。https://www.anaconda.com/products/individual
笔者选择的是 64 位的 WIndows 版本。这里的 Python 版本都是 3.8,但是不用担心,我们安装完之后能够自由选择自己需要的 Python 版本。
下载完成之后,打开安装文件,接下来一路点击确认即可。这里把第一个添加到环境变量的选项也加进来,否则使用命令行操作的时候会很麻烦(当然你也可以选择界面操作,但是建议使用命令行,这样在 linux 中使用 anaconda 也会更加得心应手)。
![806f54e007cadf35566e73f105902e9f.png](https://img-blog.csdnimg.cn/img_convert/806f54e007cadf35566e73f105902e9f.png)
安装完之后我们可以打开 cmd 输入 conda -V 测试一下是否安装成功。如果成功显示版本号,那么就 ok 了。我们首先创建一个新的环境:
conda create -n torch python=3.6
这一句命令可以创建一个名为 torch, 且 python 版本为 3.6 的环境。
![5091c0b4bd7d399d7344c3c943ed5e3e.png](https://img-blog.csdnimg.cn/img_convert/5091c0b4bd7d399d7344c3c943ed5e3e.png)
conda activate torch
如果这是在命令行当前行左侧看到
(torch)说明已经成功切换到 torch 这个环境。使用 list 命令即可查看当前环境中已经安装了什么库。
conda list
PyTorch 安装
在安装之前,为了提高下载的速度,我们首先添加清华的源。 在输入以下命令之后,我们即可成功添加清华源。conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
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/pytorch/
conda config --set show_channel_urls yes
打开以下网站 ,找到对应的版本号进行安装,因为我们的cuda版本为10.1,因此我们的
pytorch1.5 安装命令如下,记得在安装之前,确认好我们现
处
在conda 的
torch
环境下。
https://pytorch.org/get-started/previous-versions/因为我们已经添加了清华的源,因此我们安装 pytorch 的命令如下所示, 注意不要加上-c,否则还是会使用回 pytorch 的官方镜像源。
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.1
等待片刻即可安装完成。我们输入 python 调用python 解释器,然后输入以下代码:
import torch
torch.__version__ # 查看版本号
torch.cuda.is_available() #查看 CUDA 是否可用
如无意外将会获得以下输出:
![1323c4901cd92aa81854c0f74ca75a62.png](https://img-blog.csdnimg.cn/img_convert/1323c4901cd92aa81854c0f74ca75a62.png)
至此,我们深度学习开发环境至此就搭建完成了,欢迎交流。
后期会根据反馈情况,补充Unbuntu下深度学习环境配置文。
交流渠道