深度学习-搞定Pytorch环境配置

深度学习-一文搞定Pytorch环境配置

前言

最近开始学习Pytorch，贸然安装怕遇到许多坑，于是在B站大学上了解的详细的安装过程，参照的是土堆哥的视频，讲的也是通俗易懂，链接如下：

https://www.bilibili.com/video/BV1S5411X7FY?spm_id_from=333.337.search-card.all.click&vd_source=37ba374e1471bba7ad99621f2b2ee940

本篇博客首先介绍下Python解释器，再解释下Python库；然后对Anocanda进行介绍并创建对应的虚拟环境；再介绍下如何选择GPU对应的CUDA版本；最终安装Pytorch的包。

Python解释器和Python库

Python 就是一门计算机的语言，只要按照它的语法去写代码，计算机就能够理解并运行我们的代码。Python解释器在这之中就起着翻译官的作用

有了Python解释器，我们就可以和计算机进行一些沟通，让计算机去做一些事情。然而Python解释器只能完成一些很基础的功能，为了满足用户需求，就有了Python库，他提供了一系列高性能的工具供我们使用，比如数据分析常用的Numpu、Pandas、Matplotlib，这里可以看看我的专栏对其进行了简单的介绍：Python数据分析_小y同学在学习的博客-CSDN博客以及像Pytorch这样的深度学习框架等。

安装Anocanda并创建虚拟环境

首先安装Anocanda，进入官网下载安装即可，https://www.anaconda.com/，windows直接下一步，菜单选项按照推荐就好，安装完 Anaconda，默认也把 Python环境也安装好了。

下面介绍一下为什么要安装Anocanda：

那就是创建虚拟环境，比如现在要做一个项目，他需要的python解释器版本是2.7的，而电脑上安装的是3.7的，那这个时候一般情况下要怎么办？卸载重装对吧，但是你把2.7版本的用了一段时间之后又要用3.7版本的呢，这个时候就很难受了，python库也是一样道理，同一个库也有多个版本。

但是利用Anocanda,我们可以创建多个虚拟环境，然后在对应的虚拟环境中安装想安装的库。比如我创建一个名为mytorch的虚拟环境，然后在里面安装PyTorch 1.12.1版本。再创建一个名为 oldpython的虚拟环境，然后在里面安装 python2.7 版本。这样，当我们想用哪个版本的时候，我们只需要激活对应的虚拟环境就行了。

下面开始实操，这里给出命令行操作方式：

1. 打开conda命令行，找到Anaconda Powershell Prompt (anaconda3)就行

1. 可以查看一下当前安装的虚拟环境

#查看安装的虚拟环境
conda env list

1. 创建虚拟环境并安装python解释器

#创建虚拟环境
conda create -n 环境名称 python=版本
#删除虚拟环境
conda remove -n 环境名称 --all

上面是一些提示信息，包括环境安装的位置、安装的包的信息

选择y,等待下载成功之后出现以下信息就安装成功了

下面可以激活虚拟环境查看包的信息

#激活环境
conda activate mytorch
#查看环境下包信息
conda list
#关闭环境
conda deactivate

也可在图形化界面中查看，打开Anaconda Navigator (anaconda3)：

接下来我们只需要安装Pytorch的库就行了，但在这之前，我们先介绍下GPU的相关知识

选择合适的GPU配置

显卡，也称之为 GPU。GPU 的全称是 Graphics Processing Unit（图形处理单元），就是用来显示图像的。没错，就是用来在电脑显示器上显示图像的。

为什么深度学习需要用到GPU呢，下面还是引用土堆哥的一张图：

左边是CPU，右边是GPU，对比两张图，最为直观的感受就是GPU里面有很多的ALU，叫做逻辑处理单元，显然，它就是用来计算的，因为GPU上有很多的ALU，而深度学习又是对算力有很高要求的，所以通常我们通过CPU+GPU联合起来的工作方式来进行学习。

引入下一个问题，如何控制GPU呢？

这个问题很显然比较复杂，我这里就给出直观点的答案：

首先，只有英伟达-NVIDIA的显卡能够控制GPU，因为它比较有远见，通过CUDA可以对显卡进行操作。

其次，我们该如何控制GPU：

1. 电脑上一般都会装上显卡驱动，显卡驱动装上之后会有一个叫Cuda driver verison的版本

在命令行输入以下命令进行查看

nvidia-smi

它可以控制显卡

2. 我们需要通过Cuda runtime verison对Cuda driver verison进行调用从而控制显卡，Cuda runtime verison就是我们经常说的CUDA，为了保证Pytorch的正常工作，我们要选择合适的CUDA版本,使其与Cuda driver verison和显卡算力相配套。

下面介绍CUDA版本到底应该如何选取：

选择的核心点就是：

Cuda runtime verison版本要和显卡算力相对应
Cuda runtime verison 版本<=Cuda driver verison的版本

具体过程如下：

第一步 确定显卡型号，在任务管理器性能这里可以看到。(ps:750ti 压根不够用啦)

第二步 确定显卡算力

这个在维基百科可查，如果不方便查我下载了一份PDF，见：https://download.csdn.net/download/weixin_45092432/86404034

找到显卡所对应的算力

第三步 查看算力范围内的cuda版本

第四步 查看Cuda driver verison的版本

结合核心点，适用的CUDA版本可以是为9、10、11.0-11.6

来到Pytorch官网https://pytorch.org/，查看CUDA版本及相关命令:

那么本次选择的就是CUDA11.3

安装Pytorch库

确定了CUDA版本就可以进行Pytorch库的安装了，由于直接下载访问的是国外服务器，下载速度奇慢无比，如果你已经解决的网络因素直接按官网下载就行：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

但是大多数人访问还是比较困难的，所以我们从国清华大学镜像分别下载cudatoolkit和pytorch、torchvision（用于图像处理）、torchaudio（用于语音处理）

下载cudatoolkit：

conda install cudatoolkit=11.3 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

下载pytorch、torchvision（用于图像处理）、torchaudio（用于语音处理）

conda install pytorch torchvision torchaudio -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/

查看下安装的包名验证是否安装成功：

命令行或者图形化界面均可：

通过Pycharm使用并且验证环境是否安装成功

通过配置PyCharm的解释器，可以使其定位到我们创建的虚拟环境之中，从而就可以进行开发了：

解释器一定要选择刚刚创建的虚拟环境，默认都在安装目录的envs文件夹下：

D:\anaconda3\envs\mytorch\python.exe

新建Python项目输入以下代码：

import torch
print(torch.cuda.is_available())

输出True即配置成功

软件之间逻辑与关系

给出土堆哥总结的一张图来总结一下软件之间逻辑与关系，如果还不是很清晰可以看看对应的博客https://tudui.blog.csdn.net/article/details/125728710?spm=1001.2014.3001.5502

---

---

---

感谢你能看到这里，如果觉得文章内容还可以的话不妨点关注点赞点收藏！