Anaconda是一个用于科学计算的Python发行版,支持 Linux, Mac, Windows系统,提供了包管理与环境管理的功能,可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。Anaconda利用工具/命令conda来进行package和environment的管理,并且已经包含了Python和相关的配套工具。
基于此,我们通常使用conda创建的虚拟环境来进行深度学习的实验。
- 环境
- 显卡驱动
- anaconda
- pytorch
- 显卡驱动安装
很多博客都有安装流程,这里不做介绍。
#验证是否安装成功
nvidia-smi
出现下图,则安装成功。
- anaconda安装
很多博客都有安装流程,这里不做介绍。
anaconda安装成功后:
1.创建虚拟环境
conda create -n 虚拟环境名称 python=3.8 (Python版本根据自己情况)
2.激活虚拟环境
conda activate 虚拟环境名称
3.下载pytorch
conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c nvidia
第三步也是最重要的一步,其实非常的简单。你只需要登录官网官网,选择自己需要下载的版本。如图
下面红框中会自动生成下载的代码,非常的方便,唯一的缺点可能就是有时候网络不好,无法顺利下载下来。
执行完上面步骤,我们的环境也就配置好了,运行代码时缺什么包可以再去下载
conda install 需要的包
或者用pip下载
pip install 需要的包
注意、注意、注意
按照上述步骤,不需要再去下载cuda和cudnn。
原因:1.第三步conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c nvidia 中其实已经下载好需要的cuda了,所以无需在重新下载。
2.至于cudnn,有博客说是conda自动为我们配置好了,无需重新下载。经过自己实验,确实无需再下载cudnn。
- 验证环境是否配置成功
import torch
# 若正常则静默
a = torch.tensor(1.)
# 若正常则静默
a.cuda()
# 若正常则返回 tensor(1., device='cuda:0')
from torch.backends import cudnn
# 若正常则静默
cudnn.is_available()
# 若正常则返回 True
cudnn.is_acceptable(a.cuda())
# 若正常则返回 True
————————————————
版权声明:本文为CSDN博主「bat67」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/bat67/article/details/84065261
我的验证结果