PyTorch|Windows安装配置PyTorch教程笔记

01 | 写在前面

PyTorch是一个开源的Python机器学习库，其前身是Torch。2017年由Facebook人工智能院基于Torchtu推出了PyTorch，新版本不仅使用Python重写了大量内容，提高了灵活易用性，同时提供强大的GPU加速张量计算，并包含自动求导系统的深度神经网络。

2022年9月，扎克伯格宣布PyTorch基金会已经成立，并归入Linux基金会旗下。目前PyTorch是使用人数增长最为迅速的深度学习框架，且由于其高度定制性和灵活性，日益受到学术研究领域的推崇。
本文将基于Windows 10系统，安装部署本地的PyTorch框架，其中主要涉及：

• PyTorch前置环境的准备，即通用Python数据分析平台搭建，包括Anaconda + PyCharm

• GPU所需CUDA和CuDNN的安装

• PyTorch的本地化安装与简单验证

02 | Anaconda安装与配置

Python作为一种功能强大的胶水语言，其优势之一是存在功能丰富且强大的工具库。Anaconda提供了conda机制用于管理Python数据分析时常用的工具库/包。

前往Anaconda官网下载最新的Anaconda安装文件（https://www.anaconda.com/），注意Anaconda2针对传统Python2.7版本，使用Python3.X的同学应下载Anaconda3系列文件，如本次配置下载文件为：Anaconda3-2021.11-Windows-x86_64.exe。

也可使用清华大学Anaconda镜像站：https://mirrors4.tuna.tsinghua.edu.cn/help/anaconda/

安装时可以自行指定安装位置，安装过程中尽可能勾选“将Anaconda执行路径加入到系统路径”的选项，以便于后续Terminal运行时可以自动识别conda命令。若没有或无法勾选该选项，也可以在安装完成后，定位到Windows系统的系统环境变量，进行添加。系统环境变量修改方法为：

1）在控制面板中搜索框中，输入“环境变量”（也可使用其他方法），点击“编辑系统环境变量”

2）选中“Path”变量，点击“编辑”后，新建命令指令路径，复制插入：%Anaconda% | %Anaconda%\Lib | %Anaconda%\Library\bin | %Anaconda%\Scripts，其中%Anaconda%表示安装Anaconda的文件目录路径

3）重启系统以使得新“Path”生效，并在cmd/powershell中输入conda命令查看是否可以正确解析

当conda可以正确识别时，为了后续使用方便，运行conda更新与升级命令，以获取兼容当前环境的最新工具包，更新升级选择“Y”结束后，即完成Anaconda的基本配置。

conda update conda
conda upgrade conda

03 | PyCharm安装与配置

Python自带的IDE与Jupter轻量方便，但功能有限，为了后续调试代码与项目搭建需要，本文选择使用PyCharm作为统一的IDE环境。

前往PyCharm官网下载安装包（https://www.jetbrains.com/pycharm/download/#section=windows），专业版提供远程编译调试功能（ssh方式），社区版免费仅提供本地编译调试，可以根据需求选择下载。上学的朋友可以使用教育邮箱注册使用专业版，每年激活验证即可。

04 | 根据PyTorch版本选定Cuda/CuDNN

Cuda是NVIDIA发明的一种并行计算平台和编程模型，它通过利用图形处理器GPU的处理能力，大幅提升计算性能；CuDNN则是GPU加速使用的深度神经网络原语库，CuDNN为标准例程提供了高度优化的实现，例如向前和向后卷积，池化、规范化和激活层等。通常我们安装Cuda的同时也会安装相应的CuDNN。

一般不同类型的显卡会支持不同版本的驱动，进而支持不同范围的Cuda/CuDNN，因此需要查询NVIDIA的官方说明选择合适的驱动、Cuda和CuDNN版本。

本文使用的笔记本显卡为MX450，通过升级到最新的显卡驱动，可以发现该显卡已安装Cuda 11.6版本，其查看命令为在cmd终端下输入“nvidia-smi”即可。

接下来需要根据PyTorch的版本来确定Cuda版本的选择，点击进入PyTorch官网（https://pytorch.org/），点击“Get Started”后可以看到网站识别本地硬件后给出的推荐配置，当前PyTorch最高支持Cuda-11.7（2023年1月），而官网查询可知MX450支持该版本Cuda，考虑到Cuda采取后向兼容机制，导致越高的Cuda版本可以运行更多早期版本的Cuda代码，因此本文选择主动升级到Cuda-11.7后再安装PyTorch。

05 | 安装Cuda/CuDNN

无论是Cuda还是CuDNN，都是NVIDIA开发者项目的一部分，Cuda可以前往官网（https://developer.nvidia.cn/cuda-downloads），选择自己的系统、CPU架构、Cuda版本进行下载。

下载完成后运行相应的安装包文件，完成Cuda的本地安装，本文采用默认的安装位置。

Cuda安装完毕后，前往CuDNN官网（https://developer.nvidia.com/rdp/cudnn-download），注册登录账号后，选择适合11.X版本的CuDNN文件即可：

下载完成后发现是“archivezip”格式文件，其实是zip压缩格式，只需要分割文件名后缀为“archive.zip”即可解压缩得到目标文件。将CuDNN中的bin、include和lib三个文件目录复制到Cuda安装目录中即可。

06 | 安装PyTorch

现在我们已经在本地安装了Cuda+CuDNN，Anaconda+PyCharm环境，接下来要下载安装合适的PyTorch了。

回到PyTorch官网的“GetStarted”下载页面，可以看到提供多种下载方式。第一种conda方式需要运行提供的命令即可，但是亲测速度比较慢，不推荐；推荐第二种，选择pip方式下载安装，复制命令行中的https地址，直接用web访问链接，即可进入到下载目录。

pip方式安装PyTorch：pip3 install torch torchvision torchaudio–extra-index-url https://download.pytorch.org/whl/cu117

随后在下载目录界面中选中“torch”（https://download.pytorch.org/whl/torch/），选择最新的torch-1.13.0+cu117-cp39-cp39-win_amd64.whl下载。

同理可在“torchvision”（图像处理相关工具包）中选择相应版本torchvision-0.14.0+cu117-cp39-cp39-win_amd64.whl下载。

需要注意的是，whl后缀文件需要用pip/pip3命令打开，因此需要进入到cmd/powershell中，运行cd命令进入到torch/torchvision安装路径，依次运行pip/pip3 install torch/torchvision文件名即可。

此时若遇到提示powershell不能运行脚本，大概率是由于windows系统的安全限制所致，只需要在“管理员身份”打开powershell，然后运行命令“Set-ExecutionPolicy Unrestricted”即可，其中参数含义如下：

• Restricted——默认的设置， 不允许任何script运行
• AllSigned——只能运行经过数字证书签名的script
• RemoteSigned——运行本地的script不需要数字签名，但是运行从网络上下载的script就必须要有数字签名
• Unrestricted——允许所有的script运行。

07 | PyCharm运行测试

为了验证PyTorch是否安装成功，我们需要在PyCharm中编辑脚本简单调用“import torch”模块，并输出命令验证是否安装成功。

由于本机只安装了Anaconda，因此默认执行Anaconda下的Python命令。

为了验证本机是否成功配置了PyTorch环境，需要新建一个Python项目，并编写Python脚本文件，内容如下：

# 导入torch模块 
import torch 
# 打印安装的PyTorch版本 
print('Torch version is {}', torch.__version__) 
# 打印是否支持Cuda 
print(torch.cuda.is_available())

运行结果如下：

08 | 写在最后

至此本地PyTorch环境基本搭建完毕，后续即可开始相应的实验测试。

此次感触最深的是：如今已然不是讨论车轮是圆形还是方形，异或车轮可以用多久的时代，而是讲究车轮可以尽快上路的时代，即“效率为王”的时代。

无论是技术Blog、线下求教、线上课辅导，总之能让自己尽快入门上手的方式，就是好方式。