本教程面向人群
- 面对网上种种安装教程,无法判断哪个是最适合自己机器的安装教程
- 由于在pytorch官网下载速度慢,每次无法正常使用pip,conda语句安装GPU版本的pytorch
- 对conda和pip换源后,下载的pytorch版本不是GPU版本,即采用
torch.cuda.is_available()
语句为False - 根据目标项目定制下载pytorch版本
- 实验室电脑需要管理不同学生的项目代码,因此需要创建多个conda虚拟环境不受影响
明确步骤流程
- 安装anaconda(换源)
- 安装pycharm(若选用其他ide可忽略此步骤)
- 判断显卡驱动
- 搜索项目要求的python,pytorch,torchvision版本
- conda虚拟环境创建
- 使用迅雷离线下载whl文件
- pip安装requirement文件
- 使用pycharm加载对应的conda虚拟环境
关于cuda和cudnn:使用conda安装的GPU版本的pytorch现在在安装时会自带CUDA和cudnn,不需要在外部安装,如果项目需要cuda进行编译等操作需要去下载nvidia官网的cudatoolkit对应版本,conda安装的cudatoolkit只是cuda一部分功能,并不完全。这里放了一篇很好的文章供大家参考CUDA/cudnn/CUDA Toolkit/NVCC区别简介
1. 安装anaconda(换源)
Windows版本
- 下载完成后开始安装,最好安装到非c盘,因为后续环境会下载很多安装包
- 同时安装时,注意把anaconda添加进入环境变量,如下图所示
Ubuntu版本
下载后打开终端
使用下面语句对应名称安装即可,运行下面语句时,若不动,需要一直按回车,直到出现yes/no,输入yes,并按回车键继续安装
bash Anaconda3-2021.11-Linux-x86_64.sh
换源
换源操作对各系统都一样,这里换源把conda以及pip都换掉(根据个人习惯,有些人喜欢用pip安装包),加快一些常用包的下载速度
conda换源
//这里仅列举换成清华源,国内源有很多,选一个就好
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/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
//设置搜索时显示通道地址,报错时可以区分哪些包在源里没有或存在问题
conda config --set show_channel_urls yes
//查看现有源
conda config --show channels
//还原最开始的源
conda config --remove-key channels
pip换源
// 永久设置
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
// 删除永久设置
pip config unset global.index-url
// 临时设置,some-package为下载的库
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package
2. 安装pycharm
- 打开网页后根据自身是windows还是Ubuntu(linux)系统进行选择并下载,选择社区版进行下载(免费,功能够用)
- Windows下载后直接安装即可,安装非c盘,Windows版本安装完成即可到第三步
- Ubuntu下载后解压,并使用Ctrl+AIt+T打开终端通过输入
sh 解压目录/bin/pycharm.sh
打开pycharm,并将其添加进入桌面窗口,方便使用
3. 判断显卡驱动
Windows系统
打开右下角NVIDIA设置,进入NVIDIA控制面板
如果可以打开,并显示了版本号,则说明显卡驱动已经安装完成,如果打不开或者无法显示则需要安装显卡驱动。
进入NVIDIA官网下载最新版官方 GeForce 驱动程序,查找适合你显卡的驱动版本并进行下载
Ubuntu系统
-
软件和更新->ubuntu软件->选择设备的专有驱动
-
软件和更新->附加驱动 选择专有驱动,版本越高越好,因为版本都是往下兼容的
-
终端输入:nvidia-smi,可看到显卡相关信息
4. 搜索项目要求的python,pytorch,torchvision版本
由于python版本和pytorch和torchvision和cuda有对应的关系,需要明确项目使用上面版本进行下一步的conda虚拟环境的创建
这里使用当今最火爆的yolov5项目的requirement,作为示例,如下图所示,所要求的pytorch版本为python>=3.7.0 torch>=1.7.0 torchvision>=0.8.1
5. conda虚拟环境创建
conda虚拟环境好处:
- 能够方便我们进行不同项目的管理,不同项目可能使用的库的版本号有所不同,需要创建不同的虚拟环境将其分离
- 在实验室机器上,不同同学使用的代码环境有所不同,使用虚拟环境能够互不干扰
打开Anaconda Prompt软件
//创建名为yolov5的环境,由于第4步中我们知道yolov5 python版本需大于等于3.7
conda create --name yolov5 python=3.7
//使用如下命令即可激活创建的虚拟环境
conda activate yolov5
其他常用conda语句
//查看当前存在哪些虚拟环境
conda env list
//退出当前环境
conda deactivate
//当前环境安装的包
conda list
//删除某个环境
conda remove -n your_env --all
//复制某个环境
conda create --name new_env --clone old_env
6. 迅雷下载torch等whl包文件进行离线pip安装
在第4步中我们知道了pytorch以及torchvision的版本要求,根据torch,torchvison,python兼容性对照表,我们下载这里选择torch=1.7.0 torchvision=0.8.1进行安装,下载地址,打开下载地址后如下图所示
标黄的字体中其含义如下
- torch-1.7.0:表示 torch版本为:1.7.0
- cu110:支持的cuda(GPU)版本为:11.0,通过在终端输入nvidia-smi可知道电脑最高支持的cuda版本(cuda向下兼容),如果不满足,需要下载高版本的显卡驱动
- cp37:指的是anaconda中的python版本为python37
- win_amd64:用于64位windows系统
- linux_x86_64:适用于Ubuntu系统
用着一样的方法ctrl+F搜索找到对应的torchvision版本为0.8.1,并用迅雷下载
下载完毕后进入第五步创建的conda虚拟环境yolov5中输入以下命令
pip install torch存放位置/torch名称.whl
pip install torchvision存放位置/torch名称.whl
//安装完毕后进行测试
python
import torch
torch.cuda.is_available()
//显示为Ture则能够正常使用GPU运行
7. pip安装requirement文件
接下来就下载yolov5的其他包,首先将yolov5克隆到本地而后用pip安装
git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install
在使用windows系统安装yolov5中会显示缺乏Visual C++ 14.0,这里有解决方法
8. 使用pycharm加载对应的conda虚拟环境
打开pycharm后按如下步骤进行
结束语:搭建环境是进行深度学习探索的第一步,希望大家通过本文能够快速搭建自身的虚拟环境,有不懂的可以留言,这是我搭配过无数次总结出来的经验教训