PyTorch在64位Windows下的编译

各位，爱折腾的我又来啦！这次我准备搞点不一样的，在Windows搞定PyTorch的编译。

首先，我先简要介绍一下PyTorch吧。PyTorch是Facebook开发维护的一个符号运算库，可用于搭建动态的神经网络。它的代码简洁，优美，也具有很强的性能。举个例子，如果我们要在Theano或者TensorFlow下进行向量的运算，我们会先定义一个tensor，再对tensor做计算，然后定义一个function，最后调用函数并传入参数，获得输出。样例代码：

import theano
import theano.tensor as T
x = T.dmatrix('x')
s = 1 / (1 + T.exp(-x))
logistic = function([x], s)
logistic([[0, 1], [-1, -2]])复制代码

如果我们使用PyTorch呢，我们这样写

import torch
x = torch.FloatTensor([[0, 1], [-1, -2]])
s = 1 / (1 + torch.exp(-x))复制代码

只需要定义变量，即可进行运算。是不是更加符合我们的思维呢？

最后我再引用一句话来宣传一波：

Matlab is so 2012.
Caffe is so 2013.
Theano is so 2014.
Torch is so 2015.
TensorFlow is so 2016. :D

‏ --Andrej Karpathy

‏It's 2017 now.

让我们步入正题，看看如何在Windows下安装PyTorch。

先做一个友情提醒，如果不想折腾的话，对于Windows 10 用户，可以在WSL下进行体验，缺点是不能使用GPU进行计算的加速。或者你也可以等待官方放出正式的安装包。下面的安装过程是测试，不保证能够安装成功。

首先我们可以找到官方repo的相关issue。其中有一位大神已经为我们做好了大量的工作，他将他的代码存放在这里。当然你也可以直接使用我最终修改后的代码，就在他的基础上做了一点工作，不过我的代码通过了所有的CUDA单元测试，他的还没有。

首先，我们需要准备好安装所需要的工具，包括：

Visual Studio 2015 with Update 1及以上(不能是2013，2017，原因我下面会解释)
CMake
一种BLAS运算库，比如Openblas或者Intel MKL
PyTorch的源码，从上面的地址获取
CUDA 7.5及以上
CUDNN 5.1.10及以上
Anaconda3 （Python版本3.5及以上）

安装步骤大致如下：

安装VS，CUDA，cuDNN， CMake，Anaconda。这没什么好多说的，至于为什么一定要VS 2015 Update 1及以上，其实这是我踩坑之后得到的宝贵经验。VS 2013对C99标准的支持比较弱， VS 2017 尚且不支持作为CUDA 8.0的编译器，而原生的VS 2015 会报一个莫名其妙的链接错误。选取Anaconda3的原因也是为了兼容C99。
添加环境变量，添加CMake和MSBuild的路径至PATH中。他们大概在这样的路径下：
```
C:\Program Files\CMake\bin
C:\Program Files (x86)\MSBuild\14.0\Bin\amd64复制代码
```

定位到pytorch代码目录的torch\lib下面，我们新建一个目录tmp_install，在这个目录下面再新建一个目录lib，然后将blas相关的lib统统丢进去。然后对build_all.bat进行修改，定位到结尾，可以发现这样一段代码

cmake ../../%~1 -G "Visual Studio 14 2015 Win64" ^
               -DCMAKE_MODULE_PATH=%BASE_DIR%/cmake/FindCUDA ^
               -DTorch_FOUND="1" ^
               -DCMAKE_INSTALL_PREFIX="%INSTALL_DIR%" ^
               -DCMAKE_C_FLAGS="%C_FLAGS%" ^
               -DCMAKE_SHARED_LINKER_FLAGS="%LINK_FLAGS%" ^
               -DCMAKE_CXX_FLAGS="%C_FLAGS% %CPP_FLAGS%" ^
               -DCUDA_NVCC_FLAGS="%BASIC_CUDA_FLAGS%" ^
               -DTH_INCLUDE_PATH="%INSTALL_DIR%/include" ^
               -DTH_LIB_PATH="%INSTALL_DIR%/lib" ^
               -DTH_LIBRARIES="%INSTALL_DIR%/lib/TH.lib" ^
               -DTHS_LIBRARIES="%INSTALL_DIR%/lib/THS.lib" ^
               -DTHC_LIBRARIES="%INSTALL_DIR%/lib/THC.lib" ^
               -DTHCS_LIBRARIES="%INSTALL_DIR%/lib/THCS.lib" ^
               -DTH_SO_VERSION=1 ^
               -DTHC_SO_VERSION=1 ^
               -DTHNN_SO_VERSION=1 ^
               -DTHCUNN_SO_VERSION=1 ^
               -DCMAKE_BUILD_TYPE=Release ^
               -DLAPACK_LIBRARIES="%INSTALL_DIR%/lib/mkl_rt.lib" -DLAPACK_FOUND=TRUE复制代码

可以将最后一行进行适当的修改，如使用OpenBlas可将其改为openblas.lib；如不打算使用blas，则将最后一行去掉。

打开一个CMD窗口，定位到pytorch代码根目录下，然后执行以下代码：
```
cd torch\lib
build_all.bat --with-cuda复制代码
```
然后大家就可以喝喝茶，看看电影，度过这个漫长的编译时间。
检查一下torch\lib下是否包含THPP.dll，如果没有的话，说明编译失败了。看看之前的输出，想想问题大概出在哪里。
如果顺利的话，我们再键入最后两行命令。
```
cd ..\..
python setup.py install复制代码
```

如果没有报错的话，恭喜你，安装成功了。不过，还需要一些小小的操作。我们先找到cudart和cudnn模块，他们一般在这个位置：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudart64_80.dll
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudnn64_6.dll 
# 如果使用cudnn v5，那么就是
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudnn64_5.dll复制代码

将他们拷贝至Anaconda3的Lib\site-packages\torch\lib下面

如果你使用的是cudnn v5的话，打开Anaconda3的Lib\site-packages\torch\backends\cudnn下面的__init__.py。将_libcudnn函数修改为：

def _libcudnn():
 global lib, __cudnn_version
 if lib is None:
     lib = ctypes.cdll.LoadLibrary("cudnn64_5")
     if hasattr(lib, 'cudnnGetErrorString'):
         lib.cudnnGetErrorString.restype = ctypes.c_char_p
         __cudnn_version = lib.cudnnGetVersion()
     else:
         lib = None
 return lib复制代码

就这样，我们就完成了PyTorch在64位Windows下的安装。我们可以跑一下MNIST来测试一下：

from __future__ import print_function
import argparse
import time
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
from torch.backends import cudnn
if __name__ == '__main__':
 parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
 parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                     help='input batch size for training (default: 64)')
 parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                     help='input batch size for testing (default: 1000)')
 parser.add_argument('--epochs', type=int, default=10, metavar='N',
                     help='number of epochs to train (default: 10)')
 parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
                     help='learning rate (default: 0.01)')
 parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
                     help='SGD momentum (default: 0.5)')
 parser.add_argument('--no-cuda', action='store_true', default=False,
                     help='disables CUDA training')
 parser.add_argument('--seed', type=int, default=1, metavar='S',
                     help='random seed (default: 1)')
 parser.add_argument('--log-interval', type=int, default=10000, metavar='N',
                     help='how many batches to wait before logging training status')
 args = parser.parse_args()
 args.cuda = not args.no_cuda and torch.cuda.is_available()

 print('Using CUDA:' + str(args.cuda))

 torch.manual_seed(args.seed)
 if args.cuda:
     torch.cuda.manual_seed(args.seed)

 class Net(nn.Module):
     def __init__(self):
         super(Net, self).__init__()
         self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
         self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
         self.conv2_drop = nn.Dropout2d()
         self.fc1 = nn.Linear(320, 50)
         self.fc2 = nn.Linear(50, 10)

     def forward(self, x):
         x = F.relu(F.max_pool2d(self.conv1(x), 2))
         x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
         x = x.view(-1, 320)
         x = F.relu(self.fc1(x))
         x = F.dropout(x, training=self.training)
         x = self.fc2(x)
         return F.log_softmax(x)

 model = Net()
 if args.cuda:
     model.cuda()

 # cudnn.enabled = False
 cudnn.benchmark = True

 kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
 train_dataset = datasets.MNIST('../data', train=True, download=True, transform=transforms.Compose([
     transforms.ToTensor(),
     transforms.Normalize((0.1307,), (0.3081,))
 ]))
 test_dataset = datasets.MNIST('../data', train=False, transform=transforms.Compose([
     transforms.ToTensor(),
     transforms.Normalize((0.1307,), (0.3081,))
 ]))
 train_loader = torch.utils.data.DataLoader(
     train_dataset, batch_size=args.batch_size, shuffle=True, **kwargs)
 test_loader = torch.utils.data.DataLoader(
     test_dataset, batch_size=args.batch_size, shuffle=True, **kwargs)

 optimizer = optim.SGD(model.parameters(), lr=args.lr,
                       momentum=args.momentum)

 def train(epoch):
     model.train()

     for batch_idx, (data, target) in enumerate(train_loader):
         if args.cuda:
             data, target = data.cuda(), target.cuda()
         data, target = Variable(data), Variable(target)
         optimizer.zero_grad()
         output = model(data)
         loss = F.nll_loss(output, target)
         loss.backward()
         optimizer.step()

         if batch_idx % args.log_interval == 0:
             print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                       epoch, batch_idx *
                       len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.data[0]))

 def test(epoch):
     model.eval()
     test_loss = 0
     correct = 0
     for data, target in test_loader:
         if args.cuda:
             data, target = data.cuda(), target.cuda()
         data, target = Variable(data, volatile=True), Variable(target)
         output = model(data)
         test_loss += F.nll_loss(output, target).data[0]
         # get the index of the max log-probability
         pred = output.data.max(1)[1]
         correct += pred.eq(target.data).cpu().sum()

     test_loss = test_loss
     # loss function already averages over batch size
     test_loss /= len(test_loader)
     print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
         test_loss, correct, len(test_loader.dataset),
         100. * correct / len(test_loader.dataset)))

 for epoch in range(1, args.epochs + 1):
     train(epoch)
     test(epoch)复制代码

为啥一定要在外层用主模块判断呢？其实是因为现在PyTorch在Windows下的Multi Processing库还存在一些问题，在DataLoader加载时，会用另外一个线程重新打开该文件，造成冲突。其他基本上没有太大的问题，可以正常使用。MNIST的运行实测如下图，跑的还是挺快的。

以上，就是文章的全部内容啦，如果感觉还意犹未尽的话，可以给我的Github 主页或者项目加个watch或者star之类的（滑稽），以后说不定还会再分享一些相关的经验。

PyTorch在64位Windows下的编译

你可能感兴趣的:(PyTorch在64位Windows下的编译)