(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)

  • 1、显卡驱动
  • 2、安装miniconda
    • 2.1 下载安装
    • 2.2 使用方法
      • 2.2.1 创建一个新环境
  • 3、安装CUDA和cuDNN
    • 3.1 安装CUDA
    • 3.2 安装cuDNN
  • 4、安装Pytorch
  • 5、验证及使用

环境配置系列:

(一)Ubuntu安装详细教程(从镜像制作到NVIDIA驱动安装全流程)——超详细的图文教程
(二)Ubuntu系统Pytorch环境配置
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)

Ubuntu20.04+GTX 1050(notebook)安装paddlepaddle

配置如下:

  • windows10
  • miniconda
  • pytorch+gpu
  • cuda
  • cudnn

1、显卡驱动

因为本文是按照GPU版本的Pytorch,所以要使用GPU。在Windows系统下GPU驱动已经很友好了,基本上是已经安装好了的,所以不再赘述。

2、安装miniconda

miniconda和Anconda一样,只不过更加精简,但是功能不少。我们安装miniconda主要是用它来管理我们的环境,所以miniconda已经够用了。

2.1 下载安装

你有两种方式下载:

  1. 从Miniconda下载
  2. 或者从清华大学开源软件镜像站搜索anaconda,点击进入找到miniconda,然后选择自己合适的版本。

剩下的大家可以参考这一篇(比较Windows安装还是比较简单的):windows安装miniconda,该文是采用第一种方式下载的。

2.2 使用方法

首先我们来验证下是否可用?在命令行中直接输入conda回车,如果看到如图即conda可以正常使用了(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第1张图片

2.2.1 创建一个新环境

假设我们现在有一个任务,我们需要安装特定Pytorch等包,现在我们专门为该任务创建一个环境。

创建新环境命令:conda create -n testEnv python=3.7(期间会让你输入y表示同意继续),create表示你要进行创造新环境,-n即name是你新环境的名字,后面是指定该环境python的版本。比如有的任务需要python3.6有的需要python3.7,根据需要而定
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第2张图片
以上是创建好了的,还给你两个提示:
激活环境:conda activate testEnvs
退出环境:conda deactivate(当然是你在该环境中执行,才能推出该环境)

现在我通过激活命令已经进入到才创建的环境中,可以看到如果你成功进入了目标环境,在命令行头的括号中会表示你现在所处的环境
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第3张图片
至此我们创建了一个新环境并进入到了该环境,接下来就如同你以前操作python那样,使用pip等照常使用即可。(新手易犯的错误是,使用这个环境,却在一个环境中使用pip安装库,然后运行代码发现依旧提示没有这个Module

3、安装CUDA和cuDNN

在这一步,一般安装教程都是去官网下载安装包然后配置环境变量等,但还有一种我认为简单的方法,就是使用conda自带的安装器。

首先你需要知道的是,当你想安装一个库时,你可以通过pip install nameconda install name安装,也就是pip和conda都可以安装库,更多细节可以自行百度。

但是conda是针对环境的包管理器(包括了CUDA和cuDNN环境),而pip是针对python的包管理器

3.1 安装CUDA

首先我们进入目的环境,然后查询当前环境支持的CUDA,查询命令:
conda search cudatoolkit --info
在这里插入图片描述
然后会列举出所有可安装的CUDA版本(一般都只看一个点后的版本)(这里为部分截图,可以看到最新的支持为CUDA11.1和CUDA11.3):
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第4张图片
为了让Pytorch和CUDA匹配,去官网看Pytorch版本:
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第5张图片
于是我可以选择pytorch1.12+cuda11.3的搭配

于是我们conda命令安装cuda11.3:
conda install cudatoolkit==11.3.1

(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第6张图片
至此CUDA便安装好了!

3.2 安装cuDNN

如法炮制,先搜索支持的cuDNN版本:
conda search cudnn --info
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第7张图片
可以看到给出了所有支持的cuDNN已经该cuDNN支持的CUDA版本区间(可能小cudnn版本也支持大版本的CUDA,所以需要浏览所有的支持的CUDA版本)

因为我们安装了cuda11.3,而cudnn8.2.1是支持11.0~11.4的,所以我们安装cudnn8.2.1版本:
conda install ducnn==8.2.1

安装完毕后,我们通过conda list查看:
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第8张图片
可以看到我们已经安装了cudatoolkit和cudnn

至此CUDA和粗DNN已经按照完毕!

4、安装Pytorch

首先我们在官网GET STARTED按实际情况选择,
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第9张图片
底下会给出安装命令,我们执行:
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
等待时间较长,耐心等待
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第10张图片
如果没有保存正常安装,如下所示:
在这里插入图片描述
(除了torch,还有一些其他依赖库会自动安装)

5、验证及使用

网上大多数是通过torch.cuda.is_availabel()来验证,但是实践中发现有时该命令输出True后,在后续pytorch使用中也会报错。

所以更稳靠的方式是创建一个tensor,并放置到cuda上去,如果没有报错并成功放上去了,就证明验证成功,并可以正常使用CUDA:
torch.tensor([1]).cuda()
该命令是创建一个内容为[1]的tensor,并将其放置到cuda上去,如下图结果是成功创建了tensor,并且该tensor位于’cuda:0’上
(三)Windows系统Pytorch环境配置(简易方法安装CUDA和cuDNN)_第11张图片
至此验证成功!

你可能感兴趣的:(环境搭建,windows,pytorch,ubuntu)