从零开始下载torch+cu(无痛版)

简介: 这篇文章提供了一个详细的无痛版教程,指导如何从零开始下载并配置支持CUDA的PyTorch GPU版本,包括查看Cuda版本、在官网检索下载包名、下载指定的torch、torchvision、torchaudio库,并在深度学习环境中安装和测试是否成功。

从零开始下载torch+cu(无痛版)

文章目录

  • 从零开始下载torch+cu(无痛版)
    • 一,前言
    • 二,配置torch的GPU版具体步骤
      • 1,查看电脑安装的Cuda版本
      • 2,在pytoch官网检索待下载whl包名以及版本
      • 3,下载指定torch,torchvision,torchaudio三个库
      • 4,安装进目标深度学习环境中
      • 5,测试是否安装成功

一,前言

由于搞了些新电脑,经常需要配深度学习环境,老是搜来搜去的深感繁琐,干脆记录一下搜自己的老快了hh。

二,配置torch的GPU版具体步骤

一般来说正常的conda,和pip直接下载都会直接寄,或者等会再寄,遂需要直接下载whl然后安装、不排除有通过pip+default-timeout成功的天命之子哈

1,查看电脑安装的Cuda版本

nvcc -V

在这里插入图片描述
可以看到我是CUDA11.6

如果没有安装Cuda的可以参考这个博客:
深度学习环境配置超详细教程【Anaconda+PyTorch(GPU版)+CUDA+cuDNN】
如果,不是N卡,只能。。。使用钞能力了,爱莫能助。

2,在pytoch官网检索待下载whl包名以及版本

pytorch 过往历史版本地址:https://pytorch.org/get-started/previous-versions/
举个例子:我查询得到我的cuda版本是11.6那么我们找找cu11.6支持哪些torch版本
在这里插入图片描述

然后找到了图上:这个发现有一个有一行#CUDA 11.6下面一行pip。
pip 里面的内容就是我们要手动下载的包。
我的是:

torch1.13.0+cu116 torchvision0.14.0+cu116 torchaudio==0.13.0

大家可视自身情况,安装适合自己cuda的torch,torchvision,torchaudio版本

如果想要的torch版本和自身的cuda的不匹配怎么办?那就卸载cuda重新安装就好了(慎重),这个是重装cuda的教程:windows下CUDA的卸载以及安装

3,下载指定torch,torchvision,torchaudio三个库

地址:https://download.pytorch.org/whl/cu113
注:记得关掉魔法上网
在这里插入图片描述
这里我以下载torch的whl包为栗子
点击去之后, ctrl+f 输入:我的是11.6所以输出cu116 其余版本同理
在第二节中可以知道要下载的torch版本为:torch==1.13.0+cu116
然后我是python10,windows系统,所以我下载这个:torch-1.13.0+cu116-cp310-cp310-win_amd64.whl
注:cp310不是310个对象昂,是指python版本
在这里插入图片描述
其他三个同理。
在这里插入图片描述

下载如上
在这里插入图片描述

可以看到我下载的和pytorch官网里面的,不能说毫不相干只能说是一摸一样。

4,安装进目标深度学习环境中

打开Anconda Prompt 输入:

conda create -n pytorch13 python=3.10
conda activate pytorch13
pip install C:\Users\Admin\Downloads\torch-2.0.0+cu117-cp39-cp39-win_amd64.whl
pip install C:\Users\Admin\Downloads\torchvision-0.14.0+cu116-cp310-cp310-win_amd64.whl
pip install C:\Users\Admin\Downloads\torchaudio-0.13.0+cu117-cp39-cp39-win_amd64.whl

注:pip install 后面的地址变成你们下载的whl绝对地址就好,安装顺序依次是 torch torchvision torchaudio
在这里插入图片描述

5,测试是否安装成功

python
import torch
 print(torch.cuda.is_available())

在这里插入图片描述
当打印True的时候就恭喜,你配置torch+GPU深度学习环境成功了!

相关实践学习
部署Stable Diffusion玩转AI绘画(GPU云服务器)
本实验通过在ECS上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。
相关文章
|
4月前
|
PyTorch 算法框架/工具
Jetson学习笔记(四):pth(torch模型文件)转trt(tensorrt引擎文件)实操
关于如何使用torch2trt工具将PyTorch模型转换为TensorRT引擎文件的实操指南。
185 1
Jetson学习笔记(四):pth(torch模型文件)转trt(tensorrt引擎文件)实操
|
机器学习/深度学习 PyTorch 算法框架/工具
PyTorch中级教程:深入理解自动求导和优化
在你已经掌握了如何使用PyTorch构建神经网络的基础上,接下来我们将深入探讨PyTorch的两个核心特性:自动求导(Autograd)和优化(Optimization)。这两个特性在深度学习模型的训练过程中起着至关重要的作用。
|
并行计算 计算机视觉 异构计算
【CUDA学习笔记】第三篇:CUDA C并行化编程【下半部分】(附案例代码下载方式)(二)
【CUDA学习笔记】第三篇:CUDA C并行化编程【下半部分】(附案例代码下载方式)(二)
219 0
【CUDA学习笔记】第三篇:CUDA C并行化编程【下半部分】(附案例代码下载方式)(二)
|
缓存 并行计算 API
【CUDA学习笔记】第三篇:CUDA C并行化编程【下半部分】(附案例代码下载方式)(一)
【CUDA学习笔记】第三篇:CUDA C并行化编程【下半部分】(附案例代码下载方式)(一)
185 0
|
存储 并行计算 程序员
【CUDA学习笔记】第二篇:CUDA C并行化编程【上半部分】(附案例代码下载方式)
【CUDA学习笔记】第二篇:CUDA C并行化编程【上半部分】(附案例代码下载方式)
485 0
|
编解码 并行计算 算法
MMdetection框架速成系列 第01部分:学习路线图与步骤+优先学习的两个目标检测模型代码+loss计算流程+遇到问题如何求助+Anaconda3下的安装教程(mmdet+mmdet3d)
Tip:目前 MMDetection 实现的算法中主要包括 one-stage 和 two-stage 算法,而 two-stage 算法可以简单认为是 one-stage + pool + one-stage 步骤。
1034 0
|
并行计算
|
API
TensorFlow2.0+新版本搭建网络三种方式
TensorFlow2.0+新版本搭建网络三种方式
130 0
|
PyTorch 算法框架/工具
pytorch使用方法积累
1. net.parameters()查看网络参数 2. torch.optim.lr_scheduler.MultiStepLR 2.1 学习率的参数配置
105 0
|
并行计算 异构计算
动手撸个MNIST分类(CPU版本+GPU版本)
动手撸个MNIST分类(CPU版本+GPU版本)
158 0
动手撸个MNIST分类(CPU版本+GPU版本)