图卷积神经网络pytorch中PyG库以及相应cuda的安装

最新推荐文章于 2024-09-05 00:29:44 发布
最新推荐文章于 2024-09-05 00:29:44 发布
阅读量818 收藏 14
点赞数 10
文章标签： 神经网络 pytorch 人工智能 pip
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_46130082/article/details/140939952
版权

目录

前言：

一、cuda相关版本安装

1、cudaTookit下载及cuda安装

a）cudaTookit下载

b）cuda安装

2、cuDAA下载安装

二、pytorch相关版本安装

1、pyg与torch的版本对应

2、torch与cuda的版本对应

3、python与torch的版本对应

三、PyG库相关版本安装

附录：安装后的相关验证

1、cuda验证

2、pytorch验证

3、pyg验证

a）使用 Python 代码检查

b）使用 pip 命令检查

c）使用 pip show 命令

前言：

PyG库是Pytorch针对图卷积神经网络开发的开源框架，利用该框架可大大提升图卷积网络的训练速度，并且降低资源消耗。但是，安装该库需要很多值得注意的细节，接下来由笔者一一说明安装时遇到的问题。

在安装之前首先查阅PyG官网，一定要提前确认好该库当前支持的torch和cuda版本！！！进入官网

我们会看到其当前最新版本以及支持的支持的torch和cuda版本。

figure1：pyg官网页面

从figure1可以看出截止到笔者发博客的时间，目前最新的版本仅最高支持到PyTorch2.3.*和cuda12.1，但是这时笔者已经能安装torch2.4版本了，同时NVIDIA显卡支持cuda12.5版本。为了之后不会出现版本匹配问题，请各位读者一点要先确认好安装的版本。

各位读者想要确认各种配置是否安装成功请查阅 附录：安装后的相关验证

一、cuda相关版本安装

同样地，安装之前首先确认好要下载的东西以及安装相应的版本。

需要下载，cudaTookit（cuda的安装包）以及cuDNN（CUDA Deep Neural Network library：是 NVIDIA 提供的一种 GPU 加速库，专为深度学习框架优化。）

1、cudaTookit下载及cuda安装

a）cudaTookit下载

首先确定NVIDIA显卡支持的cuda版本，win+R打开cmd输入nvidia-smi，查看版本信息。

figure2：NVIDIA显卡相关信息终端页面

根据figure2，笔者的Driver Version: 556.12，CUDA Version: 12.5，说明最高可以安装cuda12.5版本。但请注意，在前言中已经提到，figure1显示目前最高仅支持cuda12.1版本，虽然通常cuda较高版本可以兼容较低版本的torch,(例如torch2.4版本官网兼容cuda12.3,实际cuda12.5也能运行torch2.4)，但这经过笔者实际经历验证后，PyG库还是需要遵循官网要求版本。所以我们的目标是安装cuda12.1版本。

进入官网

figure3：cuda toolkit archive

点击对应版本后，出现figure4,

figure4：下载页面

根据你的设备选择相关配置，之后点击download.

b）cuda安装

下载完成后，点击下一步，选择自定义安装可更改默认安装位置（自由选择），需要注意的是：

figure5：安装页面

figure5中Visual Studio Intergration需要取消勾选（该项将 CUDA 工具和库集成到 Visual Studio 中，以便于开发和调试 CUDA 应用程序。这种集成使得开发者能够在 Visual Studio 环境中编写、编译、运行和调试 CUDA 代码），显然对于很多人用不上，还有很大概率安装失败。

2、cuDAA下载安装

进入官网

figure6：cuDNN Archive

选择合适版本，笔者安装的支持12.x的版本，有很多支持的版本，只需安装第一个即可。

下载安装解压成功后，将文件夹内的前三个文件夹复制（笔者选中的不用复制）

figure7：cuDAA文件夹

并替换到安装的cuda文件夹内，默认路径是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1

二、pytorch相关版本安装

安装pytorch依旧需要弄清楚版本对应，分别是：

1、pyg与torch的版本对应

由figure1可知，我们需要安装torch2.3的相关版本，因此

进入官网

figure7：pytorch官网

向下浏览即可找到安装页面，官网首页会提供最新版本下载(若是安装是该版本即可筛选配置获取安装命令)，之前的版本需要点击左下角的previous version of PyTorch

2、torch与cuda的版本对应

figure8：previous version of PyTorch

figure8则较为详细的展现了安装命令行，选取对应cuda版本即可，之后就可以在环境终端直接粘贴命令进行下载。

3、python与torch的版本对应

进入官网

figure9：python与pytorch，torchvision版本对应表

在创建环境时直接安装相应python版本即可。

三、PyG库相关版本安装

在figure1中我们可以获取依赖包下载命令，在环境终端中安装之后，即完成了·依赖包的下载，还需要pip命令行;

pip install torch-geometric

如此，便可彻底安装成功。

附录：安装后的相关验证

1、cuda验证

命令行窗口（win+R，输入cmd），输入：nvcc -V（注意中间有一个空格），查看是否输出cuda版本信息。

2、pytorch验证

环境终端运行python（或者在IDE），运行一下代码：

import torch

print(torch.__version__)  # 应该输出安装版本
print(torch.cuda.is_available())  # 应该输出 True，如果 CUDA 安装正确
print(torch.cuda.get_device_name(0))  # 输出 GPU 的名称

3、pyg验证

a）使用 Python 代码检查

打开 Python 解释器或脚本，并尝试导入 PyG 库。如果库已安装，导入将成功；如果没有安装，将引发 ModuleNotFoundError。

try:
    import torch_geometric
    print("PyTorch Geometric is installed.")
except ImportError:
    print("PyTorch Geometric is not installed.")
b）使用 pip 命令检查

使用 pip list 命令列出所有已安装的 Python 包，并检查是否包含 PyG 库。

pip list | grep torch-geometric

如果没有安装 grep 命令（通常在 Windows 上），可以使用以下命令来查找：

pip list

然后手动查找输出列表中的 torch-geometric。

c）使用 pip show 命令
pip show torch-geometric
奋斗中～
关注
  • 10
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pytorch+PyG实现GCN(图卷积网络)
CSDN 精品推荐
11-09 1万+
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
Pytorch+PyG实现GAT(图注意力网络)
CSDN 精品推荐
11-09 5897
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
Pytorch-GPU+PyG极简安装！！
Ninen_Choi的博客
02-08 907
继极简安装TensorFlow-GPU版本之后，这边继续更新一个极简安装pytorch-gpu教程，依然在Anaconda下面安装，步骤如下： 0、如果没有的话，先去安装个Anaconda、创建虚拟环境 1、打开英伟达控制面板，看看自己的GPU需要什么版本的CUDA,操作如下： 打开控制面板——》NVIDIA控制面板——》系统信息——》组件 比如我的，如图所示，我的版本是CUDA11.0 2、打开pytorch的官网，查看下相应的安装指令 官网地址：https://pytorch.org/g
图深度学习框架PyG（Pytorch-Geometric）代码实战
D_Ddd0701的博客
07-05 2133
PyG是基于torch的图神经网络通用框架，集成了大量图神经网络基础架构
【图神经网络】Pytorch图神经网络库——PyG基础操作
小哲的博客
12-22 4134
PyG（PyTorch Geometric）是一个基于PyTorch构建的库，可轻松编写和训练图神经网络（GNN），用于与结构化数据相关的广泛应用。它包括从各种已发表的论文中的图和其他不规则结构（也称为几何深度学习）的各种方法。
学习上手PyG——一个基于PyTorch的图神经网络库
Yuetian_w的博客
03-16 2107
图神经网络（GNN）是一种用于处理结构化数据的深度学习模型，它可以捕捉数据中的图形结构和特征信息，从而实现各种应用，如节点分类、图分类、链接预测、推荐系统等。然而，由于图数据的不规则性和复杂性，使用传统的深度学习框架（如TensorFlow或PyTorch）来实现GNN并不容易，需要编写大量的底层代码和优化算法。为了解决这个问题，PyTorch Geometric（简称PyG）应运而生。PyG是一个基于PyTorch构建的库，可轻松编写和训练GNN，用于与结构化数据相关的广泛应用。
Pytorch：图卷积神经网络-概述，半监督学习(标签传播LP算法)和PyTorch Geometric(PyG)安装
Jingmin Wei's Blog
03-15 3977
介绍了图深度学习，图卷积和图卷积神经网络的概念。介绍了半监督学习(标签传播LP)，使用LP算法进行了分类实践。介绍了PyTorch Geometric库的安装
图卷积神经网络(GCN)综述与实现（PyTorch版)
热门推荐
qq_45957458的博客
06-14 1万+
图卷积神经网络的数学推导和实现！
图卷积神经网络笔记——第五章：（1）基于PyG库的图卷积的节点分类实战
Ma Sizhou
07-16 6120
前面讲解了图卷积的基本理论知识（ 链接.），接下来讲解基于PyG库的图卷积的节点分类。 目录一、PyG库简介1、安装PyG 一、PyG库简介 PyG的全称是 PyTorch Geometric，是一款基于 PyTorch 的几何深度学习框架，可以简单方便的实现图神经网络，也就是说，PyG里面封装了各种方法，比如常见的各种图卷积，直接调用即可。当然在学习PyG之前，要对PyTorch有一定的了解。 PyG官方文档： https://pytorch-geometric.readthedocs.io/en/l.
Pytorch+PyG实现SAGPool实现图分类
CSDN 精品推荐
02-22 1145
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
【论文阅读】一种针对多核神经网络处理器的窃取攻击（2020）
Glass_Gun的博客
09-02 476
攻击者可以通过侧信道信息(Side-channel)完成模型窃取攻击[17].
使用pytorch深度学习框架搭建神经网络
qq_57290048的博客
08-30 1655
数据集为CIFAR10，CIFAR-10 数据集由 10 个类的 60000 张 32x32 彩色图像组成，每个类有 6000 张图像。有 50000 张训练图像和 10000 张测试图像。图像大小为3x32x32数据集分为 5 个训练批次和 1 个测试批次，每个批次有 10000 张图像。测试批次包含每个类中随机选择的 1000 张图像。训练批次包含按随机顺序排列的剩余图像，但某些训练批次可能包含来自一个类的图像多于另一个类的图像。在它们之间，训练批次正好包含来自每个类的 5000 张图像。
【机器学习】神经网络、隐藏层的基本概念、如何选择隐藏层数量以及胶囊网络对神经网络的影响
ya的博客
09-02 1220
神经网络由大量相互连接的节点（称为神经元）组成，这些节点分为不同的层次：输入层、隐藏层和输出层。每个神经元接收来自前一层节点的输入，并通过一个激活函数（如Sigmoid、ReLU等）处理这些输入，然后将结果传递给下一层神经网络是一种强大的机器学习工具，但它们也存在一些挑战，如过拟合、参数调整等。在使用神经网络时，需要仔细设计网络结构、选择合适的激活函数和优化算法，并进行充分的训练和验证。
2神经网络中的层
PGeorge6的博客
09-02 430
从前一层到下一层，上一层的输出是下一层的输入。
神经网络中激活函数介绍、优缺点分析
Henry的博客
09-02 1017
激活函数是神经网络模型中的一种非线性函数，它将输入的加权和转换为输出值。激活函数通常被插入到神经元的计算中，以帮助网络模型学习非线性模式。Sigmoid函数（也称为逻辑函数）：将输入压缩到0和1之间的连续输出。双曲正切函数（tanh函数）：将输入压缩到-1和1之间的连续输出。ReLU函数（修正线性单元）：将负值置为0，保留正值。Leaky ReLU函数：与ReLU函数类似，但在负值上有一个小的斜率。Softmax函数：用于多分类问题，将一组值转换为概率分布。
如何用pytorch进行图像分类
DL_data_set的博客
09-01 1366
在这个步骤中，我们将定义一个简单的卷积神经网络（CNN），用于图像分类任务。CNN由一系列卷积层、池化层、激活函数和全连接层组成。self.conv1 = nn.Conv2d(3, 6, 5) # 第一层卷积，输入通道3（RGB），输出通道6，卷积核大小5x5self.pool = nn.MaxPool2d(2, 2) # 最大池化层，窗口大小2x2self.conv2 = nn.Conv2d(6, 16, 5) # 第二层卷积，输入通道6，输出通道16，卷积核大小5x5。
PyTorch库学习之nn.ConvTranspose2d(模块)
最新发布
qq_46396470的博客
09-05 874
是 PyTorch 中的一个模块，用于实现二维转置卷积（也称为反卷积或上采样卷积）。转置卷积通常用于生成比输入更大的输出，例如在生成对抗网络（GANs）和卷积神经网络（CNNs）的解码器部分。
mfcc 卷积神经网络 pytorch
12-06
MFCC（Mel频率倒谱系数）是一种常用的用于语音识别的特征提取方法，它可以将语音信号转换为一组特征向量。而卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，适用于图像识别、自然语言处理等领域。PyTorch是一个用于构建深度学习模型的开源机器学习库。 将MFCC特征与卷积神经网络相结合在语音识别领域有着重要的应用。首先，利用MFCC特征提取技术，将语音信号转化为一组特征向量。然后，将这些特征向量输入到卷积神经网络中，通过卷积层、池化层和全连接层等结构进行特征提取和分类。 在PyTorch中，可以很方便地构建MFCC卷积神经网络模型。首先，可以利用PyTorch提供的工具对MFCC特征进行处理和转换。然后，可以借助PyTorch提供的卷积神经网络模块，构建包括卷积层、池化层和全连接层的模型结构。最后，利用PyTorch的优化器和损失函数来进行模型训练和优化，从而实现语音识别的任务。 综上所述，将MFCC特征与卷积神经网络相结合，并在PyTorch中构建模型，可以有效应用于语音识别任务中，对提高识别准确率有着积极的作用。
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