Python利用 Anaconda安装pytorch并测试GPU

1. 准备工作：
   针对的是anaconda下的pytorch安装，因此默认电脑已经有了anaconda。
2. 首先查看自己的显卡版本。
   网上推荐的大都是在 命令行下，使用nvcc --version命令
   如下所示：

   nvcc --version

   但是老给我报错，解决无果。

   C:\Users\Dell>nvcc --version
   'nvcc' 不是内部或外部命令，也不是可运行的程序
   或批处理文件。
   
   C:\Users\Dell>

   我就不信不用这个明明查看不了显卡版本。后来我换了另外一种方式，成功的查看了显卡版本。
   使用 nvidia-smi命令也可以查看显卡版本！！！

   nvidia-smi

   如下所示：
   

3. 在 Anaconda prompt 下进行安装pytorch
   先去 pytorch官网  选择 自己所需要的 版本 ，官网如下：https://pytorch.org/
   我用conad命令安装会很慢，而且报了错，没有解决，尝试了pip安装，成功了！！。我的选择如下：
   
   在 Anaconda prompt 输入命令即可。注意：切换到你的需要安装的环境下：conda常用的命令可以参考这边文章（conda指令）：https://blog.csdn.net/menc15/article/details/71477949
   
   为什么我要用 --user ？因为直接用 pytorch 中的命令，我报了权限不够的错误，按照提示加了 --user，然后捂着眼睛，矮... 一两分钟，两分钟以后就好了（滑稽）。我当时的错误如下：
    

   ERROR: Could not install packages due to an EnvironmentError: [WinError 5] 拒绝访问。: 'c:\\anaconda\\envs\\xxx\\lib\\site-packages\\~orch\\lib\\asmjit.dll'
   Consider using the `--user` option or check the permissions.

   然后就安装成功啦！有图为证！
   

4. 在pycharm中测试 pytorch
   
   尼玛！！又给我报错！没有什么C++？！
   pycharm 中的 error：    Visual C++ Redistributable is not installed, this may lead to the DLL load failure.
   
   解决方案参考这篇文章即可：https://blog.csdn.net/qq_29750461/article/details/108083764
   然后安装了C++的环境以后，两分钟以后又好了！
   
   用下面这个例子测一下pytorch和GPU！

   import torch
   import torch.nn as nn
   from torch.autograd import Variable
   import torch.utils.data as Data
   import torchvision
   import time
   
   # import matplotlib.pyplot as plt
   
   torch.manual_seed(1)
   
   EPOCH = 1
   BATCH_SIZE = 50
   LR = 0.001
   DOWNLOAD_MNIST = True
   if_use_gpu = 1
   
   # 获取训练集dataset
   training_data = torchvision.datasets.MNIST(
       root='./mnist/',  # dataset存储路径
       train=True,  # True表示是train训练集，False表示test测试集
       transform=torchvision.transforms.ToTensor(),  # 将原数据规范化到（0,1）区间
       download=DOWNLOAD_MNIST,
   )
   
   # 打印MNIST数据集的训练集及测试集的尺寸
   print(training_data.train_data.size())
   print(training_data.train_labels.size())
   # torch.Size([60000, 28, 28])
   # torch.Size([60000])
   
   # plt.imshow(training_data.train_data[0].numpy(), cmap='gray')
   # plt.title('%i' % training_data.train_labels[0])
   # plt.show()
   
   # 通过torchvision.datasets获取的dataset格式可直接可置于DataLoader
   train_loader = Data.DataLoader(dataset=training_data, batch_size=BATCH_SIZE,
                                  shuffle=True)
   
   # 获取测试集dataset
   
   test_data = torchvision.datasets.MNIST(
       root='./mnist/',  # dataset存储路径
       train=False,  # True表示是train训练集，False表示test测试集
       transform=torchvision.transforms.ToTensor(),  # 将原数据规范化到（0,1）区间
       download=DOWNLOAD_MNIST,
   )
   # 取前全部10000个测试集样本
   test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1).float(), requires_grad=False)
   # test_x = test_x.cuda()
   ## (~, 28, 28) to (~, 1, 28, 28), in range(0,1)
   test_y = test_data.test_labels
   
   
   # test_y = test_y.cuda()
   class CNN(nn.Module):
       def __init__(self):
           super(CNN, self).__init__()
           self.conv1 = nn.Sequential(  # (1,28,28)
               nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5,
                         stride=1, padding=2),  # (16,28,28)
               # 想要con2d卷积出来的图片尺寸没有变化, padding=(kernel_size-1)/2
               nn.ReLU(),
               nn.MaxPool2d(kernel_size=2)  # (16,14,14)
           )
           self.conv2 = nn.Sequential(  # (16,14,14)
               nn.Conv2d(16, 32, 5, 1, 2),  # (32,14,14)
               nn.ReLU(),
               nn.MaxPool2d(2)  # (32,7,7)
           )
           self.out = nn.Linear(32 * 7 * 7, 10)
   
       def forward(self, x):
           x = self.conv1(x)
           x = self.conv2(x)
           x = x.view(x.size(0), -1)  # 将（batch，32,7,7）展平为（batch，32*7*7）
           output = self.out(x)
           return output
   
   
   cnn = CNN()
   if if_use_gpu:
       cnn = cnn.cuda()
   
   optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)
   loss_function = nn.CrossEntropyLoss()
   
   for epoch in range(EPOCH):
       start = time.time()
       for step, (x, y) in enumerate(train_loader):
           b_x = Variable(x, requires_grad=False)
           b_y = Variable(y, requires_grad=False)
           if if_use_gpu:
               b_x = b_x.cuda()
               b_y = b_y.cuda()
   
           output = cnn(b_x)
           loss = loss_function(output, b_y)
           optimizer.zero_grad()
           loss.backward()
           optimizer.step()
   
           if step % 100 == 0:
               print('Epoch:', epoch, '|Step:', step,
                     '|train loss:%.4f' % loss.item())
       duration = time.time() - start
       print('Training duation: %.4f' % duration)
   
   cnn = cnn.cpu()
   test_output = cnn(test_x)
   pred_y = torch.max(test_output, 1)[1].data.squeeze()
   accuracy = sum(pred_y == test_y) / test_y.size(0)
   print('Test Acc: %.4f' % accuracy)

   准确率在 90以上应该。
5.  总结：

出了三次bug，第一次是 conda 命令安装 pytorch，错误我不记得了，最后没有解决。第二次是 pip安装，权限不够，加了 --user 后，就好了。推荐使用 pip 安装，不是因为我报了错，而是因为conda下载包有点慢。    第三次是报了没有安装C++的错误，在网上收到了解决方案。