使用anaconda配置gpu版本的torch==1.7.1(非30系列以上显卡也可用)

简介: 使用anaconda配置gpu版本的torch==1.7.1(非30系列以上显卡也可用)

一、环境内容:


torch==1.7.1
torchvision==0.8.2


接下来要用到的所有安装文件——百度网盘下载:


链接:https://pan.baidu.com/s/1GkJokStd5AVjZTWtatXX1Q

提取码:6jzk


二、Anaconda环境配置:


1、Anaconda的下载与安装(已跳过下载)


       开始安装


1dc618a0ed9580ce8bfa6facb208c08f.png


        选择安装的位置,可以不安装在C盘。


5d4c6812c8535adbb050f4ddf2e1bce8.png


        我选择了Add Anaconda to my PATH environment variable,这样会自动将anaconda装到系统的环境变量中,配置会更加方便一些。


46a9d80a6e05e4e3b19d57a0ee70bcdf.png


       等待安装完之后,Anaconda的安装就结束了。  


2、Cudnn和CUDA的下载和安装


1、Cudnn和CUDA的下载(已跳过)


具体下载过程包括注册等繁琐的步骤,既然已经给了安装包,为了保持精简就不在此赘述。


2、Cudnn和CUDA的安装


       下载好之后可以打开exe文件进行安装。


66ba272a0bfc97be54a5fa679e3d5482.png


        这一步最好保存自己的图片,方便最后配置环境变量的时候查看。


88b9988b40447cb37c7e3c492d49867f.png


       这里选择自定义。


80308c27701d3aead18db6c7b167f308.png


       然后直接点下一步就行了。

1014213c4196c8798c8417b952a8a253.png

        安装完后在C盘这个位置可以找到根目录。C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0,然后大家把Cudnn的内容进行解压。 把这里面的内容直接复制到C盘的根目录下就可以了。


20190416165655169.png


         安装完成后配置环境,Path需要手动添加如下路径,对应上一步的安装路径:此电脑右键->属性->高级系统设置->环境变量->双击系统环境变量中的Path点击新建,检查,若在系统变量中已有路径,无需执行此步。 (--一条一条添加--)


C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\CUPTI\lib64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\bin\win64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\common\lib\x64


1dc618a0ed9580ce8bfa6facb208c08f.png

       检查安装是否成功,cmd中输入 nvcc -V(V一定要大写)


5d4c6812c8535adbb050f4ddf2e1bce8.png


三、配置torch环境


1、pytorch环境的创建与激活


       打开anaconda prompt:

46a9d80a6e05e4e3b19d57a0ee70bcdf.png

conda create –n pytorch-plus python=3.7 -y
 activate pytorch-plus

这里一共存在两条指令:


前面一条指令用于创建一个名为pytorch-plus的环境,该环境的python版本为3.7。


后面一条指令用于激活一个名为pytorch-plus的环境。


由于我们所有的操作都要在对应环境中进行,所以在进行库的安装前需要先激活环境。


此时cmd窗口的样子为:


1dc618a0ed9580ce8bfa6facb208c08f.png


2、pytorch库的安装


由于我们所有的操作都要在对应环境中进行,所以在进行库的安装前需要先激活环境。


安装Pytorch(输入以下命令)


# CUDA 11.0
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 -f

https://download.pytorch.org/whl/torch_stable.html

或者去官网下载自己对应的版本:


Previous PyTorch Versions | PyTorch


3、其它依赖库的安装


但如果想要跑深度学习模型,还有一些其它的依赖库需要安装。具体如下


scipy==1.7.1
numpy==1.21.2
matplotlib==3.4.3
opencv_python==4.5.3.56
tqdm==4.62.2
Pillow==8.3.2
h5py==2.10.0

如果想要更便捷的安装可以在桌面或者其它地方创建一个requirements.txt文件,复制上述内容到txt文件中。


使用如下指令安装即可。下述指令中,requirements.txt的绝对路径是我将文件放在桌面的路径,小技巧:只需要把文件移动文件到anaconda/cmd窗口中可以自动获取该文件的绝对路径。


pip install -r C:\Users\33232\Desktop\requirements.txt -i https://pypi.mirrors.ustc.edu.cn/simple


四、使用pytorch-gpu环境 (可看我以往教程最后一步)


深度学习环境配置——windows下的tensorflow-cpu=2.2.0环境配置_阿良是炼丹师的博客-CSDN博客_tensorflow-cpu


完毕!


如果大家觉得本文章对你有帮助,麻烦点赞+收藏一下,谢谢!  


相关实践学习
在云上部署ChatGLM2-6B大模型(GPU版)
ChatGLM2-6B是由智谱AI及清华KEG实验室于2023年6月发布的中英双语对话开源大模型。通过本实验,可以学习如何配置AIGC开发环境,如何部署ChatGLM2-6B大模型。
相关文章
|
10月前
|
机器学习/深度学习 并行计算 PyTorch
英伟达新一代GPU架构(50系列显卡)PyTorch兼容性解决方案
本文记录了在RTX 5070 Ti上运行PyTorch时遇到的CUDA兼容性问题,分析其根源为预编译二进制文件不支持sm_120架构,并提出解决方案:使用PyTorch Nightly版本、更新CUDA工具包至12.8。通过清理环境并安装支持新架构的组件,成功解决兼容性问题。文章总结了深度学习环境中硬件与框架兼容性的关键策略,强调Nightly构建版本和环境一致性的重要性,为开发者提供参考。
6714 64
英伟达新一代GPU架构(50系列显卡)PyTorch兼容性解决方案
|
并行计算 TensorFlow 算法框架/工具
Windows11+CUDA12.0+RTX4090如何配置安装Tensorflow2-GPU环境?
本文介绍了如何在Windows 11操作系统上,配合CUDA 12.0和RTX4090显卡,通过创建conda环境、安装特定版本的CUDA、cuDNN和TensorFlow 2.10来配置TensorFlow GPU环境,并提供了解决可能遇到的cudnn库文件找不到错误的具体步骤。
2493 3
|
Linux TensorFlow 算法框架/工具
安装GPU版本的TensorFlow
【7月更文挑战第3天】安装GPU版本的TensorFlow。
622 1
|
机器学习/深度学习 人工智能 API
薅羊毛!阿里云免费GPU云主机畅玩AI绘画,免费领取阿里云v100显卡搭建AI绘画利器Stable Diffusion
薅羊毛!阿里云免费GPU云主机畅玩AI绘画,免费领取阿里云v100显卡搭建AI绘画利器Stable Diffusion
2379 4
薅羊毛!阿里云免费GPU云主机畅玩AI绘画,免费领取阿里云v100显卡搭建AI绘画利器Stable Diffusion
|
并行计算 TensorFlow 算法框架/工具
Window安装TensorFlow-GPU版本
Window安装TensorFlow-GPU版本
482 0
|
Ubuntu Shell Docker
GPU_nvidia-container-toolkit安装和配置
GPU_nvidia-container-toolkit安装和配置
4284 1
|
机器学习/深度学习 存储 弹性计算
阿里云GPU服务器价格多少钱?2024年阿里云GPU服务器价格配置及性能测评
2024年阿里云GPU服务器是一款高性能的计算服务器,基于GPU应用的计算服务,多适用于视频解码、图形渲染、深度学习、科学计算等应用场景。阿里云GPU服务器具有超强的计算能力、网络性能出色、购买方式灵活、高性能实例存储等特点。 阿里云提供了多种配置的GPU服务器,包括gn6v、gn6i、vgn6i-vws和gn6e等,这些服务器配备了不同型号的GPU计算卡、不同规格的内存和存储空间,可以满足不同用户的计算需求。同时,阿里云还为新用户提供了特惠价格,包年购买更是低至3折起,使得用户可以更加经济地购买到高性能的GPU服务器。
824 0
|
4月前
|
人工智能 算法 调度
阿里云ACK托管集群Pro版共享GPU调度操作指南
本文介绍在阿里云ACK托管集群Pro版中,如何通过共享GPU调度实现显存与算力的精细化分配,涵盖前提条件、使用限制、节点池配置及任务部署全流程,提升GPU资源利用率,适用于AI训练与推理场景。
435 1
|
4月前
|
人工智能 城市大脑 运维
喜讯!阿里云国产异构GPU云平台技术荣获“2025算力中国·年度重大成果”
2025年8月23日,在工业和信息化部新闻宣传中心、中国信息通信研究院主办的2025中国算力大会上,阿里云与浙江大学联合研发的“国产异构GPU云平台关键技术与系统”荣获「算力中国·年度重大成果」。该评选旨在选拔出算力产业具有全局性突破价值的重大成果,是业内公认的技术创新“风向标”。
534 0
|
9月前
|
存储 机器学习/深度学习 数据库
阿里云服务器X86/ARM/GPU/裸金属/超算五大架构技术特点、场景适配参考
在云计算技术飞速发展的当下,云计算已经渗透到各个行业,成为企业数字化转型的关键驱动力。选择合适的云服务器架构对于提升业务效率、降低成本至关重要。阿里云提供了多样化的云服务器架构选择,包括X86计算、ARM计算、GPU/FPGA/ASIC、弹性裸金属服务器以及高性能计算等。本文将深入解析这些架构的特点、优势及适用场景,以供大家了解和选择参考。
1318 61