- 填个坑,本文是介绍 Anaconda + PyTorch + Cuda,实现单机的 PyTorch 使用环境的过程,摆脱 Make Your First GAN With PyTorch 中一直使用的 Google Colab。
- Make Your First GAN With PyTorch 的介绍详见 这篇文章。
趁着双十一,买了一台台式机,专门用来配置深度学习环境。
电脑大概配置如下:
下面简要介绍安装 Anaconda + PyTorch + Cuda 环境的步骤。
- Anaconda 是一个用于科学计算的 Python 发行版,支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。
上面这句话,抄自清华开源软件镜像站**(TUNA)**的介绍,也可以直接到这个镜像站下载 Anaconda 安装包: https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 。
双击打开安装包,逐项点击 Next >
进行安装即可:
这时候,可以选择左上角的 CMD.exe Prompt,打开命令行界面,添加清华的镜像源,提升下载安装速度:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# 搜索时显示地址
conda config --set show_channel_urls yes
也可以采用清华源介绍的方法进行操作:
- TUNA 还提供了 Anaconda 仓库与第三方源的镜像,各系统都可以通过修改用户目录下的
.condarc
文件进行配置。- 其中 Windows 用户无法直接创建名为
.condarc
的文件,可先在 CMD.exe Prompt 中执行conda config --set show_channel_urls yes
生成该文件之后再修改。
.condarc
文件修改内容如下:
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
即可添加 Anaconda Python 免费仓库。
- 建议运行
conda clean -i
清除索引缓存,保证用的是镜像站提供的索引。
- 有关什么是 CUDA 和它的重要作用,可以参考这篇文章。
- 避雷点: 目前为止,最新的 CUDA 版本是 11.5,我也先安装了最新版本。但是后面发现 PyTorch 最多支持到 11.3,只好卸载又重新安装了 11.3.0 版本。
点击 链接,找到对应版本(11.3.0)的安装包并下载:
下载后直接双击即可安装:
cuDNN(CUDA Deep Neural Network library) 是 NVIDIA 推出的针对深度神经网络的加速库。如果要用 GPU 完成深度学些模型训练,一般会采用 cuDNN 库进行加速。
- 有关 cuDNN 的介绍详见: https://developer.nvidia.com/cudn
下载 cuDNN 需要注册会员,完成注册后直接下载即可,注意版本也要跟安装的 CUDA 版本保持一致:
下载后,直接解压,获得下面的文件:
将这些文件直接复制到 CUDA 的安装目录,与原有文件夹合并即可:
在 PyTorch 的 官网 靠下的地方,有个选择安装环境的地方:
直接选择对应环境,即可形成相应命令。以我为例,在 Anaconda 的 CMD.exe Prompt 下执行下面命令即可安装:
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
为了验证是否安装成功,我们使用 Make Your First GAN With PyTorch:4.CUDA基础 中的例子进行说明。
在 Anaconda 主界面中点击 Jupyter Notebook,即可新建打开类似于 Google Colab 的 Notebook 环境,新建 Python 3 类型文件,分别输入 Make Your First GAN With PyTorch:4.CUDA基础 的例子,点击运行即可分别获得每个 cell 的运行结果:
对比 In [4] 和 In [6] 的时间输出结果,可以看到在更大尺寸的矩阵相乘上,使用 CUDA 的效率惊人。
同时,In [7] 的输出结果,说明我们的显卡为 NVIDIA GeForce RTX 3060,CUDA 已经开始发挥作用。