【youcans的深度学习 03】PyTorch GPU版本安装与环境配置

欢迎关注『youcans的深度学习』系列，持续更新中…
【youcans的深度学习 01】安装环境之 miniconda
【youcans的深度学习 02】PyTorch CPU版本安装与环境配置
【youcans的深度学习 03】PyTorch CPU版本安装与环境配置
【youcans的深度学习 04】PyTorch入门教程：基础知识
【youcans的深度学习 05】PyTorch入门教程：快速入门

1. PyTorch（GPU版）安装环境要求

简单地说，安装 GPU 版本的 PyTorch 需要 NVIDIA（英伟达）显卡。
否则只能安装 PyTorch（CPU版），基本功能相同但性能较低。

1.1 检查显卡设备

在安装 GPU 版本之前，建议测试本机是否装有 NVIDIA（英伟达）显卡，是否支持 CUDA 安装。

简单地，打开设备管理器或任务管理器，就能看到 GPU 的型号。

也可以点击【cuda-gpus列表】可以查询显卡是否在列表中。

装有 NVIDIA（英伟达）显卡的计算机才能安装 PyTorch（GPU）版本，否则可以安装 PyTorch（CPU）版本。

1.2 CUDA 简介

计算行业正在从使用 CPU 的“中央处理”向 CPU 与 GPU 并用的”协同处理“发展。GPU 中拥有大量单独的ALU，因此非常适合并行计算，而且数值计算的速度远远优于CPU。

CUDA （Compute Unified Device Architecture）是 NVIDIA 推出的通用并行计算平台，该架构利用图形处理器 (GPU) 的并行处理能力，可以使用 GPU 能够解决复杂的计算问题，可以大幅地提升计算性能。

CUDA 体系结构包含三个部分：开发库、运行期环境和驱动。开发库是基于 CUDA 技术所提供的应用开发库，解决典型的大规模的并行计算问题，例如 CUFFT（离散快速傅立叶变换）和 CUBLAS（离散基本线性计算）的实现。运行期环境提供了应用开发接口和运行期组件，包括基本数据类型的定义和各类计算、类型转换、内存管理、设备访问和执行调度等函数。驱动部分可以理解为 CUDA-enable 的 GPU 的设备抽象层，提供硬件设备的抽象访问接口，今后也有可能发展成为通用的标准接口以兼容其它厂商的 GPU 产品。

2. 安装PyTorch（GPU版）

2.1 安装 Anaconda 或 miniconda

详见上节 【01 安装环境 miniconda】。

2.2 建立新的虚拟环境

强烈推荐创建python虚拟环境，在虚拟环境中下载安装PyTorch。

（1）cmd 进入命令行编辑器，或由 Anaconda Prompt / miniconda Prompt 进入命令行编辑器。默认为环境， base 是安装 Anaconda 自带的一个基础环境。

（2）输入"conda env list"，检查本机中的的Python环境：
如果尚未创建虚拟环境，则只有 base环境。如果用户已经创建虚拟环境，也会显示在列表中。当前激活环境为 base（路径之前有个星号*）

（3）创建名为"torch"的 python3.8 虚拟环境：

conda create -n torch python=3.8

（4）输入"conda activate torch"，激活torch虚拟环境。

conda activate torch

激活torch虚拟环境以后，当前激活环境为 torch（路径之前有个星号*）。

（5）在torch虚拟环境安装必要的包。

conda install -y numpy
conda install -y matplotlib & conda install -y pandas & conda install -y xlrd

…

2.3 CUDA 的下载及安装

windows10 版本安装 CUDA ，首先需要下载两个安装包：

• CUDA toolkit（CUDA 工具包）
• cuDNN（用于配置深度学习）

官方教程：

• CUDA：Installation Guide Windows :: CUDA Toolkit Documentation
• cuDNN：Installation Guide :: NVIDIA Deep Learning cuDNN Documentation

2.3.1 CUDA 版本选择：

在桌面点击鼠标右键，可以打开 NVIDA控制面板，选择左下角的“系统信息”，选择“组件”，组件信息的第 3 行中就是电脑显卡所支持的 CUDA 版本。

2.3.2 官网下载

（1）进入PyTorch官网【https://pytorch.org/】

PyTorch

FROM RESEARCH TO PRODUCTION

An open source machine learning framework that accelerates the path from research prototyping to production deployment.

Install https://pytorch.org/

（2）按照 INSTALL PYTORCH 的提示，选择适合自己的PyTorch版本。
说明：

• Stable代表PyTorch当前最受测试和支持的版本，适合普通用户。
• 根据显卡支持选择 CUDA 版本，没有 nvidia GPU 选择 CPU 版本。

（3）复制"Run this Command"生成的命令。

Run this Command:

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

2.3.3 conda 安装 PyTorch

回到 conda 环境（cm d进入命令行编辑器，或由 miniconda Prompt 进入命令行编辑器），在创建的 torch 环境下复制"Run this Command"中生成的命令并运行。

conda activate torch

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

注意：

• 一定要切换到 torch 虚拟环境，否则可能安装到base环境或其它虚拟环境。

• 如果下载速度慢，建议使用国内镜像源。但此时要删除所复制命令中最后面的 “-c pytorch”。

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 --set show_channel_urls yes
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda install pytorch torchvision torchaudio cpuonly

• 安装中会跳出"Proceed([y]/n)?"，输入"y"或直接回车即可。

2.4 PyTorch安装测试

2.4.1 进入python进行测试

在 conda 命令行，激活 tourch 环境，进入python后import torch 可以进行测试。

python
import torch
torch.cuda.is_available()

如果显示 True，说明 Pytorch GPU 版本安装成功。

2.4.2 进入PyCharm进行测试

（4）进入PyCharm进行测试

上述conda环境的测试已经说明PyTorch版本安装成功。但为了确认PyCharm中的虚拟环境配置正确，可以进入PyCharm，选择 Python3.8(torch)环境运行以下例程：

import torch
import torchvision

def print_hi(name):
    print(f'Hi, {name}')  # Press Ctrl+F8 to toggle the breakpoint.

if __name__ == '__main__':
    print_hi('PyCharm')
    print("HELLO pytorch {}".format(torch.__version__))
    print("torchvision.version:", torchvision.__version__)
    print("torch.cuda.is_available? ", torch.cuda.is_available())

运行结果如下：

Hi, PyCharm
HELLO pytorch 1.13.1
torchvision.version: 0.14.1
torch.cuda.is_available? True

一切顺利，收工。

3. PyTorch 应用例程

最后给一个基于PyTorch的应用例程，绘制几种激活函数的形状。

# test02_v1.py
# test02 of PyTroch

import torch
from torch.autograd import Variable
import torch.nn.functional as Func
import matplotlib.pyplot as plt

# 生成数据序列
tensor = torch.linspace(-5, 5, 200)  #  返回一维张量
tensor = Variable(tensor)  # Tensor 转为 Variable
xNp = tensor.numpy()  # Tensor 转为 numpy

# 定义激活函数
y_relu = torch.relu(tensor).data.numpy()
y_sigmoid =torch.sigmoid(tensor).data.numpy()
y_tanh = torch.tanh(tensor).data.numpy()
y_softplus = Func.softplus(tensor).data.numpy()

# 绘图
plt.figure(figsize=(9, 6))
plt.suptitle("Response curve of activation function")
plt.subplot(221)
plt.plot(xNp, y_relu, c='red', label='RelU')
plt.legend(loc='best')
plt.subplot(222)
plt.plot(xNp, y_softplus, c='red', label='hardTanh')
plt.legend(loc='best')
plt.subplot(223)
plt.plot(xNp, y_sigmoid, c='red', label='sigmoid')
plt.legend(loc='best')
plt.subplot(224)
plt.plot(xNp, y_tanh, c='red', label='tanh')
plt.legend(loc='best')
plt.show()

---

附录：

CUDA SDK 范例：
CUDA 开发者软件开发包（SDK）提供了一些范例（附有源代码），以帮助使用者开始CUDA编程。

• 并行双调排序
• 矩阵乘法
• 矩阵转置
• 利用计时器进行性能评价
• 并行大数组的前缀和（扫描）
• 图像卷积
• 使用Haar小波的一维DWT
• OpenGL和Direct3D图形互操作示例
• CUDA BLAS和FFT库的使用示例
• CPU-GPU C 和C++ 代码集成
• 二项式期权定价模型
• Black-Scholes期权定价模型
• Monte-Carlo期权定价模型
• 并行Mersenne Twister（随机数生成）
• 并行直方图
• 图像去噪
• Sobel边缘检测滤波器
• MathWorks MATLAB®

技术功能：

• 在GPU（图形处理器）上提供标准C编程语言
• 为在支持CUDA的NVIDIA GPU（图形处理器）上进行并行计算而提供了统一的软硬件解决方案
• CUDA兼容的GPU（图形处理器）包括很多：从低功耗的笔记本上用的GPU到高性能的，多GPU的系统。
• 支持CUDA的GPU（图形处理器）支持并行数据缓存和线程执行管理器
• 标准FFT（快速傅立叶变换）和BLAS（基本线性代数子程序）数值程序库
• 针对计算的专用CUDA驱动
• 经过优化的，从中央处理器（CPU）到支持CUDA的GPU（图形处理器）的直接上传、下载通道
• CUDA驱动可与OpenGL和DirectX图形驱动程序实相互操作
• 支持Linux 32位/64位以及Windows XP 32位/64位 操作系统
• 为了研究以及开发语言的目的，CUDA提供对驱动程序的直接访问，以及汇编语言级的访问。

【本节完】

版权声明：
欢迎关注『youcans的深度学习』系列，转发请注明原文链接：
【youcans的深度学习 03】PyTorch GPU版本安装与环境配置(https://youcans.blog.csdn.net/article/details/129771628）
Copyright 2023 youcans, XUPT
Crated：2023-03-24