python的pytorch从cpu改成gpu

最新推荐文章于 2024-03-19 18:16:01 发布
最新推荐文章于 2024-03-19 18:16:01 发布
阅读量1.9k 收藏 5
点赞数
分类专栏： SHOUCANG 文章标签： python pytorch 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45173161/article/details/129909842
版权

如何将cpu版本的环境改成gpu;已知python3.7，pytorch1.13.1

  1. 先找好应该安装的版本，如：cuda 11.6,pytorch1.13.1,python3.7

1）查看电脑支持的最高版本（我的是11.7下载的cuda要比这个小）

cmd中输入：nvidia-smi

2）查看原来的环境

我的是python3.7，pytorch1.13.1

3)查看符合python3.7，pytorch1.13.1的cuda版本（幸运）

https://pytorch.org/get-started/previous-versions/

2.创建虚拟环境pykt的python=3.7（已有）

3.安装cuda。https://blog.csdn.net/weixin_55529678/article/details/128622336；官网找到cuda11.6,下载到本地，双击安装

CUDA Toolkit Archive | NVIDIA Developer

4.安装对应版本的pytorch等。在官网找到相应的语句，在pykt虚拟环境中在线下载，（我找到喽）

Previous PyTorch Versions | PyTorch

5.验证是否下载成功

记笔记呢
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
如何在pycharm中指定GPU
安静到无声
08-17 1542
添加名称：CUDA_VISIBLE_DEVICES和对应值即可。
将Pytorch模型从CPU转换成GPU的实现方法
01-20
最近将Pytorch程序迁移到GPU上去的一些工作和思考 环境：Ubuntu 16.04.3 Python版本：3.5.2 Pytorch版本：0.4.0 0. 序言 大家知道，在深度学习中使用GPU来对模型进行训练是可以通过并行化其计算来提高运行效率，这里就不多谈了。 最近申请到了实验室的服务器来跑程序，成功将我简陋的程序改成了“高大上”GPU版本。 看到网上总体来说少了很多介绍，这里决定将我的一些思考和工作记录下来。 1. 如何进行迁移 由于我使用的是Pytorch写的模型，网上给出了一个非常简单的转换方式: 对模型和相应的数据进行.cuda()处理。通过这种方式，我们就可以将内存中的数据
将CPU版本的pytorch换为GPU版本
最新发布
weixin_45299250的博客
03-19 754
我发现用上文中的安装方式，安装的pytorch版本为CPU版的，在运行程序时很卡，很影响电脑性能。
python脚本运行时，用CPU跑而不是GPU
panda_33的博客
04-11 1万+
#问题 在跑深度学习代码时，本来应该是在GPU上跑，但是实际是在CPU上跑，google了一下，发现模型和输入以下述格式调用GPU： model.cuda() 这个是model调用GPU inputs = Variable(inputs.cuda()) 这个是输入调用GPU。 ...
【Windows】搭建Pytorch环境(GPU版本，含CUDA、cuDNN)，并在Pycharm上使用（零基础小白向）
a922922737的博客
09-11 2万+
此文记录详细且正确的GPU版Pytorch环境搭建过程，同时包括在Pycharm上使用Pytorch的教程（Anaconda环境）。希望此文对读者有帮助！
【做法说明】关于改变pytorch从使用CPU更改为使用CUDA
happylife2002的博客
01-20 952
遂使用清华源，但是清华源安装时容易超时而导致安装失败（此时开始科学上网）但是一直在报错。观察Pytorch下载官网可以发现，已经不支持CUDA版本为10.2的Pytorch了，如果直接从网上下载whl文件无法安装（例如：torch-1.10.0+cu102-cp38-cp38-win_amd64.yml），网上大多库反应时间过长，无法下载。但是好像没有什么用，疯狂反复下载，一会删一点一会删一点最后完成了下载任务，下载了一天，确实是一直断开连接，有一部分内容还会重复下载。使用豆瓣源安装，始终报错。
【PyTorch如何实现CPU、GPU相互转换？】
fly_ddaa的博客
04-06 4676
PyTorch如何实现CPU、GPU相互转换？三种方法：定义device对象，.cuda方法，.cpu方法
怎么把pytorch从CPU版本替换成GPU版本
dalaomanzou的博客
07-10 2784
接着找到官网https://pytorch.org/get-started/locally/根据你自己的需要选择最新的（我现在是11.8）或者没那么新的（11.7）的GPU版torch。就可以卸载当前的torch版本。（不是cpu版本一般也没有必要重装吧？这个命令是根据你上面选择的哪些红色选项而生成的。等运行完成该命令即可成功安装gpu版本torch。接着复制下面的pip3的安装命令。
将cpu版本的pytorch换成gpu版本
pyscl01的博客
10-10 950
将cpu版本的pytorch换成gpu版本的详细步骤
在 PyTorch 中，将数据从 CPU 移动到 GPU 的几种方法
weixin_51659315的博客
12-29 1607
构造函数，先用torch.Tensor(cpu_tensor) 创建了一个新的张量，该张量的数据与 cpu_tensor 共享。它实际上是在创建一个新的张量，将原始张量的数据复制到了 GPU 上。除了设备，.to() 方法还可以指定数据类型（dtype），如 .to('cuda', dtype=torch.float32)。它不会创建新的张量，而是在原地更新了原始张量的设备信息。是一个通用的设备转移方法，不仅可以用于 CPU 和 GPU 之间的转移，还可以在不同的 GPU 之间转移。
如何将pytorch的cpu版改成gpu版【实测成功】
热门推荐
weixin_41529093的博客
10-31 3万+
仅作为记录，大佬请跳过。 文章目录背景下载安装关键具体步骤参考 背景 将pytorch的cpu版改成gpu版，这个问题困扰博主很长时间。 博主一直使用的是pytorch的cpu版，跑通了一些程序；但担心改装成gpu版本后，担心程序出现bug或其他未知的错误，一直不太敢改动。 之前一直在搜索pytorch的cpu版本和gpu版本能否共存的问题，但没有找到较好的解释；直到算法组会上，师兄提示使用anaconda建立新的environment去使用gpu版本时，我才敢大胆一试。（因为anaconda中不同envi
智慧牧场基于YOLOv8的马匹识别检测计数系统Python源码(含训练好的模型+评估指标曲线+项目使用说明).zip
11-20
【博主环境】 *可以在此检测项目基础上增加计数功能，统计当前画面目标总数，或者增加追踪功能，实现追踪计数！ python==3.8 pytorch==1.8.1 torchvision==0.9.1 1、搭建环境 建议在anaconda中新建虚拟环境配置，然后在pycharm打开工程，再导入anaconda环境 确保正确安装requirements.txt中的包，可用清华源，下载块！ 2、训练好的模型+评估指标曲线+数据集可视化图存放在“ultralytics\yolo\v8\detect\runs\detect”文件夹(资源内不含数据，需要数据请查找博主资源付费下载，或私信博主) 3、开始检测识别 a.打开predict.py修改34行模型路径，照葫芦画瓢修改； b.需要检测的图片或视频预先存放在“\ultralytics\assets”文件夹 c.运行predict.py，开始检测。检测结果会保存在ultralytics/yolo/v8/detect/runs/detect文件夹下 4、训练自己的模型 a.准备数据集，可参考YOLOv5，拆分为train、val即可，标签为txt b.在yolo\v8\detect\data文件夹下新建.yaml文件，照葫芦画瓢，仿照coco128.yaml c.修改tarin.py中的238行，改成自己新建yaml的路径 d.GPU训练(注释掉241行，修改device参数为0)，若CPU训练(注释掉242行即可) e.运行train.py开始训练，当精度不在增加时，会自动停止训练。模型保存在ultralytics\yolo\v8\detect\runs\detect文件夹
深度学习基于YOLOv8的各类自行车识别检测系统Python源码(含训练好的模型+评估指标曲线+项目使用说明).zip
11-20
【博主环境】 *可以在此检测项目基础上增加计数功能，统计当前画面目标总数，或者增加追踪功能，实现追踪计数！ python==3.8 pytorch==1.8.1 torchvision==0.9.1 1、搭建环境 建议在anaconda中新建虚拟环境配置，然后在pycharm打开工程，再导入anaconda环境 确保正确安装requirements.txt中的包，可用清华源，下载块！ 2、训练好的模型+评估指标曲线+数据集可视化图存放在“ultralytics\yolo\v8\detect\runs\detect”文件夹(资源内不含数据，需要数据请查找博主资源付费下载，或私信博主) 3、开始检测识别 a.打开predict.py修改34行模型路径，照葫芦画瓢修改； b.需要检测的图片或视频预先存放在“\ultralytics\assets”文件夹 c.运行predict.py，开始检测。检测结果会保存在ultralytics/yolo/v8/detect/runs/detect文件夹下 4、训练自己的模型 a.准备数据集，可参考YOLOv5，拆分为train、val即可，标签为txt b.在yolo\v8\detect\data文件夹下新建.yaml文件，照葫芦画瓢，仿照coco128.yaml c.修改tarin.py中的238行，改成自己新建yaml的路径 d.GPU训练(注释掉241行，修改device参数为0)，若CPU训练(注释掉242行即可) e.运行train.py开始训练，当精度不在增加时，会自动停止训练。模型保存在ultralytics\yolo\v8\detect\runs\detect文件夹
基于YOLOv8的卡车识别检测计数系统Python源码(含训练好的模型+评估指标曲线+项目使用说明).zip
11-20
【博主环境】 *可以在此检测项目基础上增加计数功能，统计当前画面目标总数，或者增加追踪功能，实现追踪计数！ python==3.8 pytorch==1.8.1 torchvision==0.9.1 1、搭建环境 建议在anaconda中新建虚拟环境配置，然后在pycharm打开工程，再导入anaconda环境 确保正确安装requirements.txt中的包，可用清华源，下载块！ 2、训练好的模型+评估指标曲线+数据集可视化图存放在“ultralytics\yolo\v8\detect\runs\detect”文件夹(资源内不含数据，需要数据请查找博主资源付费下载，或私信博主) 3、开始检测识别 a.打开predict.py修改34行模型路径，照葫芦画瓢修改； b.需要检测的图片或视频预先存放在“\ultralytics\assets”文件夹 c.运行predict.py，开始检测。检测结果会保存在ultralytics/yolo/v8/detect/runs/detect文件夹下 4、训练自己的模型 a.准备数据集，可参考YOLOv5，拆分为train、val即可，标签为txt b.在yolo\v8\detect\data文件夹下新建.yaml文件，照葫芦画瓢，仿照coco128.yaml c.修改tarin.py中的238行，改成自己新建yaml的路径 d.GPU训练(注释掉241行，修改device参数为0)，若CPU训练(注释掉242行即可) e.运行train.py开始训练，当精度不在增加时，会自动停止训练。模型保存在ultralytics\yolo\v8\detect\runs\detect文件夹
基于YOLOv8的山羊绵羊识别检测计数系统Python源码+训练好的模型+评估指标曲线+项目使用说明.zip
11-20
python==3.8 pytorch==1.8.1 torchvision==0.9.1 1、搭建环境 建议在anaconda中新建虚拟环境配置，然后在pycharm打开工程，再导入anaconda环境 确保正确安装requirements.txt中的包，可用清华源，下载块！ 2、训练...
基于YOLOv8的细胞识别检测计数系统Python源码(含训练好的模型+评估指标曲线+项目使用说明).zip
11-20
python==3.8 pytorch==1.8.1 torchvision==0.9.1 1、搭建环境 建议在anaconda中新建虚拟环境配置，然后在pycharm打开工程，再导入anaconda环境 确保正确安装requirements.txt中的包，可用清华源，下载块！ 2、训练...
基于YOLOv8的香蕉成熟度识别检测系统Python源码(含训练好的模型+评估指标曲线+项目使用说明).zip
11-20
python==3.8 pytorch==1.8.1 torchvision==0.9.1 1、搭建环境 建议在anaconda中新建虚拟环境配置，然后在pycharm打开工程，再导入anaconda环境 确保正确安装requirements.txt中的包，可用清华源，下载块！ 2、训练...
PyCharm中安装GPU版本的PyTorch
weixin_43241490的博客
08-26 7590
上个月，有个项目要用Pytorch跑，我就开始了安装之路。了解到Pytorch可以安装CPU和GPU版本的，想着GPU版本的更快，遂选择了安装GPU，但是CPU版本的与GPU安装类似，且安装起来更省时间，所以后面也介绍一下CPU安装。网上很多资料都是利用Anaconda安装，博主不想再安装一个新的软件了（真的害怕环境报错，但是Anaconda确实比PyCharm集成了更多环境，感兴趣的可以试试。）...
Windows下安装pytorch-GPU版本（小白踩坑安装过程记录）
weixin_43722337的博客
06-17 4135
一步一步安装，小白的心路历程
pytorch cpu和gpu版本怎么选
09-16
在选择PyTorch CPU和GPU版本时，需要考虑以下几个因素。 首先要考虑的是计算资源。如果您有一台拥有高性能显卡的计算机，那么选择PyTorch GPU版本是明智的。因为GPU版本可以利用显卡的并行计算能力，加速神经网络的训练和推理过程，从而大大提升计算效率。如果您只有一台普通的计算机，没有显卡或显卡性能有限，那么选择PyTorch CPU版本是更实际的选择。 其次要考虑的是运行环境和依赖。如果您的计算机上已经安装了适用于PyTorch的CUDA工具包和NVIDIA驱动程序，那么选择PyTorch GPU版本会更容易进行配置和使用。但是，如果您的计算机没有安装适用于PyTorch GPU版本的依赖，或者不方便安装这些依赖，那么选择PyTorch CPU版本是更简单的选择。 此外，还要根据您的任务需求来选择版本。如果您需要进行大规模的深度学习训练，比如训练复杂的神经网络模型，处理大规模的数据集，那么选择PyTorch GPU版本会更加高效。但是，如果您只是进行一些简单的实验或小规模的数据处理，选择PyTorch CPU版本已足够满足需求。 综上所述，选择PyTorch CPU和GPU版本应根据计算资源、运行环境和依赖、任务需求等因素来决定。如果满足条件，选择GPU版本可以加速计算，提高效率。如果条件有限，选择CPU版本则更加简便。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值