pytorch-cuda和cudnn安装过程、pycharm用anaconda自带python库设置；pytorch gpu训练案例

cuda、cudnn安装设置

** cuda是gpu 使用的底层语言；cudnn相当于是cuda的上层封装的深度学习框架

1、[Scrapy安装]error:Microsoft Visual C++ 14.0问题

（37是表示python版本）

1. 下载Twisted适配当前系统版本的.whl文件
下载传送门：https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

2. 安装所下载的.whl文件
在下载的.whl文件的绝对路径下安装Twisted：

pip install D:\Tools007\Twisted-18.9.0-cp37-cp37m-win32.whl

2、pycharm用anaconda自带的python库设置

需要在pycharm的设置 project下的project interpreter选择python程序路径，这里选择acacnda下python.exe就行

3、cuda安装
可以先检查显卡版本，如果没有下载驱动可以先去下载安装驱动，正常都是安好了的新电脑

然后就是去官网一步步下载安装了
WIN10安装CUDA10
CUDA Toolkit 10.0 Download：https://developer.nvidia.com/cuda-downloads

最终“下一步”，然后“完成”就行。
配置系统环境变量，选择path：

检查是否有下图中的两个环境变量

验证安装：nvcc -V

4、cudnn安装

cuDNN（CUDA Deep Neural Network library）：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。

WIN10安装cuDNN
cuDNN Download：https://developer.nvidia.com/rdp/cudnn-download
（进入网页下载当然要注册账号，如果有就不用了）

下载后最重要的是需要把下载的文件夹对应文件拷贝一份到对应的cuda文件目录下

添加环境变量：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64

5.安装pytorch和测试

pytorch官网选择对应cuda版本下载

pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.1-cp37-cp37m-win_amd64.whl
pip3 install torchvision

返回为true就成功了

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

参考文章：https://blog.csdn.net/qq_37296487/article/details/83028394

pytorch gpu训练案例

***主要是数据，模型，损失加载到gpu

参考：
https://www.bilibili.com/video/BV1hE411t7RN

# -*- coding: utf-8 -*-
# 作者：小土堆

import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter

# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader

# 定义训练的设备
device = torch.device("cuda")

train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)

# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))


# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 创建网络模型
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x
tudui = Tudui()
tudui = tudui.to(device)

# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10

# 添加tensorboard
writer = SummaryWriter("../logs_train")

for i in range(epoch):
    print("-------第 {} 轮训练开始-------".format(i+1))

    # 训练步骤开始
    tudui.train()
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device)
        targets = targets.to(device)
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始
    tudui.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy = total_accuracy + accuracy

    print("整体测试集上的Loss: {}".format(total_test_loss))
    print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(tudui, "tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()