注意:本文的环境配置相关的一些内容只适用于ubuntu系统,如果你是windows系统进行训练的话,请完全无视这部分内容,然后参考本文的其他内容。
建议使用miniconda,环境占用体积小。
以下正文:
一、关于pytorch与cuda与cudnn与torchvision与显卡适配问题
本文没有采用pytorch0.4.1版本的环境,因为这个环境只能支持最高到cuda9.2的cuda版本,而这样的版本显然在很多最近的显卡之中(20系以上,A系列等等)不支持,所以建议读者也升级到pytorch1.1.0,具体的代码修改部分,请参考下面的俩连接:https://blog.csdn.net/sinat_31987445/article/details/91399956
https://blog.csdn.net/sinat_31987445/article/details/94736301
注意!A系列显卡以及30系以上显卡(算力在8.0以上的,具体请查看此连接来查看算力:https://zhuanlan.zhihu.com/p/579183464)不支持cuda11以上,而本网络的需要使用的_DataLoaderIter在pytorch1.1.0之后便被删除,且其中的方法没有在替代的函数(如果你有能力,可以尝试将旧版本的_DataLoaderIter复制到新版本之中,这个不保证能够运行,因为我没有尝试成功。),所以,请不要多花冤枉钱租赁这些显卡的服务器来跑了。
2080ti以及2080只支持cuda10以上的版本。在2080俩显卡之中,有可能会出现报错:THCudaCheck FAIL file=/pytorch/aten/src/THC/THCGeneral.cpp line=385 error=11 : invalid argument
诸如此类,建议是重装一边环境。(可以不用参考上面引用的文章那样,一定要使用pip安装)
安装完成之后,请使用如下代码验证pytorch需要的cuda和cudnn版本(注意,cudatoolkit的版本就是cuda版本):
import torch
import torchvision
print(torch.__version__) #查看torch版本
print(torch.cuda.is_available() ) # 检查cuda是否可用
print(torch.version.cuda) # 查看cuda版本
print(torch.backends.cudnn.is_available()) # 检查cudnn是否可用
print(torch.back