基于anaconda的PyTorch安装（修改版）

最新推荐文章于 2024-05-25 20:31:38 发布

邢浩运

最新推荐文章于 2024-05-25 20:31:38 发布

阅读量408

点赞数 2

分类专栏：教程文章标签：深度学习人工智能 anaconda python

本文链接：https://blog.csdn.net/weixin_49993522/article/details/108901379

版权

教程专栏收录该内容

11 篇文章 1 订阅

订阅专栏

PyTorch入门

PyTorch的安装

PyTorch的安装

本篇在Tensorflow安装的基础上进行PyTorch的安装示例，有关于Anaconda环境设置、Tensorflow版本安装以及pip、conda命令的相关设置均在之前的博客中详细说明。
基于Anaconda环境的Tensorflow安装

CPU版本

简述见¹
我们首先进入PyTorch官网下载网页PyTorch官方下载。
之后会有如下页面：
在这里插入图片描述
关于各个选项可能遇到的问题解释在这里²

最后把得到的command在命令行直接键入即可，
在这里插入图片描述

与Tensorflow的安装一样，不需要特地新建环境，那样虽然方便，但确实没必要。

GPU版本

Pytorch的GPU版本其实与CPU版本的安装一个道理，只是把下图中的CUDA由None换为别的选项
在这里插入图片描述
选项问题解释在这里³。
同时我们可以看到下图
这里的install previous versions of PyTorch即为之前版本Pytorch的超链接之前版本

详细说明在这里⁴
与CPU版本一样，将得到的命令输入至Windows命令行，即可安装GPU版本Pytorch。
最后在Pytorch实例教程官方网站中即可对Pytorch进行较为系统的初步学习。
比如其中的Visualizing models，Data and Training with Tensorboard模块：

import matplotlib.pyplot as plt
import numpy as np

import torch
import torchvision
import torchvision.transforms as transforms

import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

# transforms
transform = transforms.Compose(
    [transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))])

# datasets
trainset = torchvision.datasets.FashionMNIST('./data',
    download=True,
    train=True,
    transform=transform)
testset = torchvision.datasets.FashionMNIST('./data',
    download=True,
    train=False,
    transform=transform)

# dataloaders
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                        shuffle=True, num_workers=2)


testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                        shuffle=False, num_workers=2)

# constant for classes
classes = ('T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
        'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle Boot')

# helper function to show an image
# (used in the `plot_classes_preds` function below)
def matplotlib_imshow(img, one_channel=False):
    if one_channel:
        img = img.mean(dim=0)
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    if one_channel:
        plt.imshow(npimg, cmap="Greys")
    else:
        plt.imshow(np.transpose(npimg, (1, 2, 0)))
        ...

以上仅代表个人观点，如有错误还请各位大佬指正。
同时若有侵权，请及时联系本人处理。

问题解释

其实Pytorch的安装与Tensorflow相比要复杂一些，与一般第三方库以及Tensorflow的安装仅需要pip install --相比，Pytorch的安装命令更为复杂，但好在Pytorch的官网给出了官方下载命令，所以这也不是什么大问题。 ↩︎
在Pytorch Build一栏中Stable表示万无一失的版本，很稳定，而Preview表示最新版本，可能会有bug，这里建议选择Stable版本。之后操作系统就根据自身情况来选择，现在大多数小白应该都是在Windows环境下。在Package中虽然有pip和conda两种主流选择，但最终在命令行运行command时亲测conda命令极其稳定，几乎不会出现RunTimeError的问题。但采用pip命令时，即使已经更换到清华源，还是会存在RunTimeError的问题，因此推荐conda命令。
Language的话小白应该都是用Python进行机器学习方面的工作，况且都已经安装Anaconda了，和C++以及Java都没什么关系了。
最后是CUDA的选择，如果只是想简单跑个例子，CPU版本就足够了，这在之前的博客中也提到了，这里选择None就可以。 ↩︎
这里只要根据自己电脑所安装的CUDA版本进行选择即可，一般为10.1或10.2。
但这里有一个问题，在之前的Tensorflow安装中，我提到为了稳定选择了CUDA10.0，而这里没有10.0的选项，为此再去下载一个CUDA10.1或10.2的版本同时配置相应版本的Cudnn当然也可以，但确实没必要。 ↩︎
在这里我们可以找到与CUDA10.0版本适配的PytorchGPU版本，虽然版本有些古老，但胜在稳定，同时Pytorch的语法函数体系与Tensorflow不同，他的每一版本语法几乎没有变化，相互兼容度较高，因此老版本Pytorch是完全够用的。
在之前Tensorflow安装中采用的CUDA10.0以及Cudnn7.x的配置在Pytorch的GPU版本安装中是完全够用的。 ↩︎