Anaconda+Cuda+Cudnn+Pytorch(GPU版)+Pycharm+Win11深度学习环境配置

简介: Anaconda+Cuda+Cudnn+Pytorch(GPU版)+Pycharm+Win11深度学习环境配置

一、准备工作

个人电脑配置:RTX4060 win11

个人配置版本:cuda(11.7)+ pytorch(2.0.1) + python(3.9)

所需工具:

1、python集成开发环境:Anaconda

2、CUDA、cuDNN:英伟达提供的针对英伟达显卡的运算平台。用来提升神经网络的运行效率,如果电脑显卡不满足要求也是可以不用安装,使用cpu来进行运算。

3、开发工具:PyCharm

4、深度学习库:PyTorch(也可以使用TensorFlow平台)

二、安装Anaconda

Anaconda官网:https://www.anaconda.com

点击下载Download即可。Anaconda的下载安装都很简单,网上教程很多。这里就不赘述了。

三、安装Cuda+Cudnn

跟着这个b站博主做的,讲的很通俗易懂,安装一次就成功了。

2022最新版CUDA安装+环境配置,人工智能小白变强教程!!!-人工智能/深度学习/机器学习

先查看自己电脑所支持的CUDA的最高版本是多少。

win+R 输入cmd 进入命令行,输入nvidia-smi,根据右上角的CUDA Version可以知道,该电脑适配12.0版本以下的CUDA。

注意: 安装cuda的版本时不要安装最新版本,很有可能会和之后安装的东西不适配。个人建议是如果和pytorch结合做项目,那么去pytorch官网查看一下目前的版本。个人选择的是CUDA11.7。

CUDA的版本也和Anaconda中下载的python版本有关(这里的python是下载anaconda时自带的,不需要另外去下载)。因为下载anaconda时是直接下载的,所以查看一下python的版本。

win+R 输入cmd 回车,然后输入conda activate激活anaconda环境,输入python -V查看版本

这里查到版本是3.9.0,但其实最开始下载完anaconda后查看版本是3.10,通过查看cuda和python版本的对应关系,发现目前cuda可以支持python的版本只有3.9之前,3.10是不支持的,所以这里需要修改anaconda环境中python的版本,修改为3.9版本。可以根据这个文章里的步骤去修改:https://blog.csdn.net/qq_56520755/article/details/130489115

按照上述的步骤,就可以把Anaconda、cuda和cudnn下载完成。

四、Pytorch(GPU版)

整体的安装环境过程,在这个地方用的时间最长。先列出几个不顺利的方法,再说明我的解决方法。

注意: 如果之后使用过程是在某个虚拟环境中进行时,那么一定要进入自己创建的虚拟环境之后再进行安装。

不顺利的方法:

1、直接在pytorch官网复制conda命令或者pip命令,然后进入Anoconda环境去下载,尝试了5-6次,都没有成功,失败原因是下载时间超过。(这里有个解决办法是可以去设置timeout的时间,但是我没有去尝试,有兴趣的如果碰到这个问题可以试试)

2、因为上一步显示下载时间过长的问题,所以就想到使用国内镜像源去下载,但是这里有个问题是,使用国内镜像源下载(清华镜像源或是其他)下载下来的都是适用于cpu版本,但是并不适用于GPU版本,结果就是卸载重新想办法安装。

成功的办法:离线安装

先在pytorch官网上找到自己CUDA版本对应的pytorch、torchvision应该安装的版本号。寻找网址

再去以下这个地址中去下载自己对应的xml文件: https://download.pytorch.org/whl/torch_stable.html

寻找对应xml文件的方法,网上可以搜到,我底下以自己为例举个例子。

我要下载的是torch11.7,所以我要找到对应 pytorch=2.0.0、torchvision=0.15.0的版本的文件。

conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.7 -c pytorch -c nvidia

我要下载的torch离线包是这个,具体的下载原因是:

cu117其中这个117指的是cuda是11.7版本,torch代表的是torch包,2.0.0是对应我上面找到的torch版本,cp39代表的是python版本是3.9版本,win代表的是windows系统,64代表自己的电脑是64位。

下载的torchvision包是这个,具体的原因与上面相似,这里就不一一赘述。

下载到本地后,先进入Anaconda的环境(创建一个虚拟环境,然后再进入这个虚拟环境,具体的创建和进入的过程网上有很多教程),然后cd进入到自己下载的文件夹的位置,比如我是 cd E:\torch\torch2.0.1,再输入E:回车,再输入pip install 文件名称即可,两个文件都要pip install,记住先pip install torch文件,再pip install 另外一个。

注意: 在安装完成后,在pycharm里运行import torch时报错了,显示的问题是版本不对,所以我又重新下载了pycharm中提示的版本,所以以下例子中是2.0.1,而不是2.0.0。

对以上图片中命令行的解释如下:

首先第一步是进入自己创建的虚拟环境中(我自己创建的虚拟环境叫yolov7,这个是自己取的)

进入环境后进入下载文件的存放位置

再使用pip install 进行下载即可,记得文件要加上文件类型.xml

对于上图为什么之前说的是2.0.0版本,但是我下载的确实2.0.1版本的解释:

根据官网上找到的版本,发现是2.0.0版本,但是当我第一次pip install 完成后,在pycharm里运行import torch报错,根据报错原因里找到了我应该下载的是2.0.1版本,以及对应的torchversion版本是0.15.2,所以我就卸载了之前安装的2.0.0版本,重新安装了提示的版本。这里如何一下子找到正确的版本我没有进行探索,如果有兴趣的可以自己探索安装一下。

查看torch是否安装成功以及是否可以适用GPU:

进入Anaconda虚拟环境,然后输入python,输入import torch导入torch包,再输入torch.__version__查看torch的版本,再通过输入torch.cuda.is_available()结果是True可以判断适用于GPU,如果结果为False,则证明不适用于GPU。

五、安装pycharm

pycharm的安装过程网上教程很多,这里就不介绍了。主要介绍以下pycharm中环境的配置。

在pycharm中打开自己想要运行的文件夹,然后配置解释器。

找到python interpreter后,点击Add interpreter

进入之后点击existing,然后浏览文件找到对应的虚拟环境的python文件。通常虚拟环境保存在下载的anaconda文件夹下的envs文件夹下就可以找到自己创建的所有的虚拟环境,选择自己想要运行的虚拟环境,点击对应文件夹,选择python.exe文件即可。

通过以上的步骤就将解释器设置成功了,然后就可以运行自己的程序了,运行程序时可能会出现没有某个模块的情况,通过pip install下载对应模块即可。

解释器配置完成后,在pycharm中对torch的版本以及对GPU的适用性进行测试,成功则结束。

相关实践学习
基于阿里云DeepGPU实例,用AI画唯美国风少女
本实验基于阿里云DeepGPU实例,使用aiacctorch加速stable-diffusion-webui,用AI画唯美国风少女,可提升性能至高至原性能的2.6倍。
相关文章
|
11天前
|
人工智能 并行计算 PyTorch
【PyTorch&TensorBoard实战】GPU与CPU的计算速度对比(附代码)
【PyTorch&TensorBoard实战】GPU与CPU的计算速度对比(附代码)
67 0
|
11天前
|
并行计算 PyTorch 算法框架/工具
anaconda+pytorch+opencv安装及环境配置
anaconda+pytorch+opencv安装及环境配置
176 0
|
11天前
|
Python
pycharm使用Anaconda中的虚拟环境【我的入门困惑二】
pycharm使用Anaconda中的虚拟环境【我的入门困惑二】
|
11天前
|
机器学习/深度学习 并行计算 PyTorch
【多GPU炼丹-绝对有用】PyTorch多GPU并行训练:深度解析与实战代码指南
本文介绍了PyTorch中利用多GPU进行深度学习的三种策略:数据并行、模型并行和两者结合。通过`DataParallel`实现数据拆分、模型不拆分,将数据批次在不同GPU上处理;数据不拆分、模型拆分则将模型组件分配到不同GPU,适用于复杂模型;数据和模型都拆分,适合大型模型,使用`DistributedDataParallel`结合`torch.distributed`进行分布式训练。代码示例展示了如何在实践中应用这些策略。
191 2
【多GPU炼丹-绝对有用】PyTorch多GPU并行训练:深度解析与实战代码指南
|
11天前
|
并行计算 API C++
GPU 硬件与 CUDA 程序开发工具
GPU 硬件与 CUDA 程序开发工具
53 0
|
11天前
|
机器学习/深度学习 编解码 PyTorch
Pytorch实现手写数字识别 | MNIST数据集(CNN卷积神经网络)
Pytorch实现手写数字识别 | MNIST数据集(CNN卷积神经网络)
|
9天前
|
机器学习/深度学习 JSON PyTorch
图神经网络入门示例:使用PyTorch Geometric 进行节点分类
本文介绍了如何使用PyTorch处理同构图数据进行节点分类。首先,数据集来自Facebook Large Page-Page Network,包含22,470个页面,分为四类,具有不同大小的特征向量。为训练神经网络,需创建PyTorch Data对象,涉及读取CSV和JSON文件,处理不一致的特征向量大小并进行归一化。接着,加载边数据以构建图。通过`Data`对象创建同构图,之后数据被分为70%训练集和30%测试集。训练了两种模型:MLP和GCN。GCN在测试集上实现了80%的准确率,优于MLP的46%,展示了利用图信息的优势。
18 1
|
9天前
|
机器学习/深度学习 PyTorch 算法框架/工具
神经网络基本概念以及Pytorch实现,多线程编程面试题
神经网络基本概念以及Pytorch实现,多线程编程面试题
|
11天前
|
机器学习/深度学习 数据采集 PyTorch
构建你的第一个PyTorch神经网络模型
【4月更文挑战第17天】本文介绍了如何使用PyTorch构建和训练第一个神经网络模型。首先,准备数据集,如MNIST。接着,自定义神经网络模型`SimpleNet`,包含两个全连接层和ReLU激活函数。然后,定义交叉熵损失函数和SGD优化器。训练模型涉及多次迭代,计算损失、反向传播和参数更新。最后,测试模型性能,计算测试集上的准确率。这是一个基础的深度学习入门示例,为进一步探索复杂项目打下基础。
|
11天前
|
机器学习/深度学习 PyTorch 算法框架/工具
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型