一种win10+GTX1050下配置d2l、gpu_pytorch环境参考方案（2022.12.13）

目录

前言

安装cuda

安装d2l包与pytorch

安装torch、torchvision、d2l包

安装pytorch

Is it available?

cpu_pytorch ——> gpu_pytorch

正确地安装正确的版本

附

---

前言

Hi，这里介绍windows10+Nvidia GTX 1050配置下的一种《动手学深度学习》中的d2l兼gpu_pytorch环境安装方案。在《动手学深度学习》实践教程中作者团队已经详细介绍了虚拟环境配置流程，大部分安装工作可参考书中内容，本文仅对gpu版本的pytorch正常安装提供一种特定硬件配置下的参考。默认读者已经安装好python（不必要）、miniconda（或者anaconda），并且电脑有足够内存且希望能在本地（local）试运行深度学习（或RL）代码，miniconda的安装教程可参考这里。安装好conda之后要记得初始化终端shell，在命令提示符输入

conda init cmd.exe

这样就可以在命令提示符（cmd窗口）中直接执行conda命令啦~

之后就直接创建并激活新环境，继续在命令提示符窗口输入

conda create --name d2l python=3.8 -y
conda activate d2l

注意！上述代码第一行中的“d2l”是环境名，可以按照你的喜好设定，但一定要记住你设置的环境名称！第一行中的“python=3.8”是新环境中python的版本号，也可以使用python3.7，但是不建议使用python3.6，3.6中的工具包版本过于老旧会影响后续工具包的安装！同时也不建议使用python3.10及更高版本，因为d2l指定安装的pandas(1.2.4)所能兼容的python版本最高为3.9！

安装cuda

首先需要在“我的电脑（右键）-属性-设备管理器-显示适配器”下确认你的显卡是否为独显，如果是集显就需要另寻GPU服务器用于跑深度学习或强化学习代码，这里不过多赘述。

先查阅驱动版本，在命令提示符窗口输入

nvidia-smi

查看英伟达驱动版本

在官网查询驱动版本对应的cuda，例如本文的驱动版本为516.94，那么可以安装的最新的cuda版本是cuda11.7Update1（如下图）

当然，你也可以通过“NVIDIA控制面板-帮助-系统信息-组件”查看3D设置中的cuda版本，去官网下载对应的cuda就行了。（注：如果没有安装英伟达驱动程序，则自行查阅安装教程；如果在打开NVIDIA控制面板时出现“Windows无法访问指定设备、路径或文件...”的情况，建议直接打开C:\Program Files\WindowsApps\NVIDIACorp.NVIDIAControlPanel_8.1.962.0_x64__56jybvy8sckqj\nvcplui.exe，也能打开NVIDIA控制面板）

在官网寻找适合你的cuda版本下载安装就可以了

 至于安装教程，可参考https://blog.csdn.net/m0_45447650/article/details/123704930，“安装选项”笔者选择了精简安装，并未影响最终结果。

安装d2l包与pytorch

由于d2l包与pytorch的安装全部要在我们刚才新建的d2l环境下进行，所以接下来的所有步骤，你都需要保证激活d2l运行环境，激活方法就是在命令提示符窗口下输入

conda activate d2l

关闭cmd窗口或者输入

conda deactivate

都会退出环境。

安装torch、torchvision、d2l包

在d2l环境下输入

pip install torch==1.11.0
pip install torchvision==0.12.0
pip install d2l==0.17.5

喝口水，听会歌，然后就Success了。

安装pytorch

《动手学深度学习》中会介绍如何安装pytorch，但是技术发展飞快，版本不断更迭，建议直接前往官网寻找与你安装的cuda版本对应的pytorch

 

 文章写作时间（2022.12已有与cuda11.7对应的pytorch版本，同时cuda12.0也已发布），还没有与cuda11.7对应的pytorch版本，但问题不大，小改动几乎不影响兼容性，直接选择conda安装cuda11.6对应的pytorch版本就可以了，复制上图划红线的代码，在命令提示符中输入即可开始安装pytorch啦~

Is it available?

ok，下面我们在d2l环境下的cmd窗口依次输入

python
import torch
torch.cuda.is_available()

如果得到如下结果

恭喜你！下载d2l notebook，打开jupyter notebook，开始动手学吧

万一输出是“False”呢？不要着急。

在cmd窗口输入

conda list

列出当前环境下的所有包，首先观察你的pytorch版本是否是gpu版本，

gpu版本pytorch会在“Build Channel”列显示python版本、cuda版本和cudnn版本

 如果pytorch是cpu版本那么是就需要重新安装pytorch，如果pytorch是gpu版本但“torch.cuda.is_available()”的结果仍然为“False”，后文"正确地安装正确的版本"会提到解决办法。

cpu_pytorch ——> gpu_pytorch

在重新安装pytorch时，你需要观察conda list中是否有名为“cpuonly”的包，这个包的出现可能源于你之前安装过的cpu版本pytorch。在向着名为“gpu_pytorch”的目标前进时，优先卸载cpuonly。在cmd窗口输入

conda uninstall cpuonly

conda会在卸载包的同时更换其他package的版本，以满足兼容性。喝杯水，听会歌，然后就Success了。

重新输入“conda list”查看package列表，cpuonly消失，pytorch变为gpu版本，依次输入

python
import torch
torch.cuda.is_available()

输出为“True”，恭喜你，你完成了一件微小的工作，keep on striving.

正确地安装正确的版本

pytorch如果已经是gpu版本，却仍然无法使用，有可能是pytorch安装的版本不正确，并没有对应到正确的cuda版本，或者是在你当前安装的pytorch包中存在cpuonly的功能（这是源自其他贴子的说法，笔者无法考证）。这里提供两种方法：

法一：

重新确认你的pytorch版本，是否与你安装的cuda版本对应，如果pytorch与cuda不兼容那么注定是not available，通过官网或者其他渠道寻找正确的与你cuda匹配的版本。

法二：

使用pip安装pytorch，注意同样都是在我们新建的d2l环境下，在官网上“package”选择“pip”，复制划线处代码输入cmd窗口即可。

 cuda版本正确，pytorch版本正确，不存在cpuonly包，基本就能保障gpu版本pytorch的正常使用。

附

1.上文提到的几乎所有软件和工具包的安装，都不存在下载速度问题，《动手学深度学习》实践教程中的部分代码，在第一次运行时可能出现数据下载的需求，科学上网会使下载速度提升；

2.在安装和运行代码时遇到缺少package的情况是很正常的，及时用pip或conda安装即可， 安装问题有时候很难找到对口的解决方案，尽量理解系统的报错很关键；

3.使用mxnet的同学更需要注意与cuda版本的兼容问题，甚至还需要考虑python版本，可参考官网信息；

4.笔者在安装时遇到的问题是，尝试在py3.6环境下配置d2l和gpu_pytorch，3.6的pip工具包版本较低且无法更新，笔者没有找到合适的cuda、torch、pytorch版本；

5.部分深度学习代码运行时会出现内核挂掉的情况，大概率是之前运行的内核没有完全关闭导致的，出现这种情况时可以在代码整段前加

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

如果还是存在内核挂掉的问题，则很有可能是虚拟环境内工具包冲突导致的，例如回退numpy版本，更新scipy版本等，具体问题具体分析；

6.2022年10月17日，教程配套的d2l包的最新版本仍然是0.17.5，但其实里面的很多子包都不是最新版本了（比如numpy），在安装pytorch所配套的子包会覆盖d2l里部分子包的版本，但还未出现版本相互冲突或代码无法运行的问题，考虑到未来软件更新，建议日后优先安装python环境和pytorch，最后安装d2l包。当然，也希望届时有更优秀的深度学习教程；

7.对于需要spyder开发环境辅助学习代码的同学，不建议安装jupyter的nbextensions插件，如果有成功配置nbextensions插件并且与spyder兼容的同学，望分享经验；

8.在conda安装pytorch时，如果出现类似无法连接到某个清华源的url的报错，很有可能是环境下channels未配置完备，不用担心，你只需要一直重复运行安装pytorch的命令，直到所有必须的清华源channel都配置完毕，安装就能成功进行了；或者，检查你的网络；

9.于2022.12喜提新装备，3070Ti+16G，NVIDIA驱动程序已经升级到527，cuda升级至12.0，甚至python也已经更新到了3.11，仅仅是三年的时间，《Dive into deep learning》在环境配置上就已经变得“古老守旧”，硬软件迭代更新速度惊人，不禁令人感叹，知识正在爆炸性增长，望大家日新月异，追上时代脚步；

10.如果您参考本文遇到了种种安装问题，均可与笔者评论交流，近几年内笔者会保证该论坛的使用，尽量做到及时回复，感谢！