Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本

GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本

  • 一. 01 Pytorch和CUDA对应的版本及Pytorch和Python对应的版本及Python与Anaconda的对应关系
      • 以下是Pytorch和CUDA对应的版本
      • 以下是Pytorch和Python对应的版本
      • Python与Anaconda的版本对应关系
      • 深度学习环境搭建
          • 1. 安装Anaconda
  • 二. 02 GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda
    • 1. 查看显卡驱动及对应cuda版本关系
      • 1.1 显卡驱动和cuda版本信息查看方法
      • 1.2 根据显卡驱动 和 CUDA版本对应关系选择 CUDA
    • 2. 安装CUDA
      • 2.1下载CUDA
      • 2.2. 安装CUDA
        • 选择程序安装
        • 配置环境变量
  • 3. 安装cuDANN
    • 4. 选择 CUDA 对应的Pytorch、Pytorch 对应的Python
    • 5.安装Python环境(安装Anaconda 或 Miniconda)
      • 5.1 安裝Anaconda3
      • 5.2 安装Miniconda
    • 6.安装虚拟环境(如只需一个python环境此步可忽略)
      • 6.1打开这个Anaconda Prompt应用
      • 6.2 创建虚拟环境
      • 6.3 激活环境
      • 6.4 配置清华镜像源(此步可省略)
    • 7、安装pytorch
      • 7.2 进入官网获取安装命令
      • 7.2 进入虚拟环境,执行安装
        • 安装方式一:
        • 安装方式二:
        • 安装方式三:
          • 01选择pytorch
          • 02选择torchvision
          • 03选择torchvision
    • 8、验证安装是否成功
    • 9、环境迁移(了解)
      • 9.1 查看项目所安装的第三方库
      • 9.2 生成依赖环境文件
      • 9.3 环境迁移




一. 01 Pytorch和CUDA对应的版本及Pytorch和Python对应的版本及Python与Anaconda的对应关系

官方推荐的cuda版本为10.2和11.3,这两种 cuda 支持大多数的 pytorch 版本。

以下是Pytorch和CUDA对应的版本

CUDA 环境 PyTorch 版本
9.2 0.4.1、1.2.0、1.4.0、1.5.0(1)、1.6.0、1.7.0(1)
10.0 1.2.0、1.1.0、1.0.0(1)
10.1 1.4.0、1.5.0(1)、1.6.0、1.7.0(1)
10.2 1.5.0(1)、1.6.0、1.7.0(1)、1.8.0(1)、1.9.0、1.9.0、1.10.0、1.10.1、1.11.0、1.12.0、1.12.1
11.0 1.7.0(1)
11.1 1.8.0(1)、1.9.0、1.10.0
11.3 1.8.0(1)、1.9.0、1.9.1、1.10.0、1.10.0、1.10.1、1.11.0、1.12.0、1.12.1
11.6 1.8.0(1)、1.9.0、1.10.0、1.12.0、1.12.1
11.7 1.12.0、1.12.1、1.13.1

以下是Pytorch和Python对应的版本

torch torchvision python
main nightly >=3.7, <=3.10
1.12.0 0.13.0 >=3.7, <=3.10
1.11.0 0.12.3 >=3.7, <=3.10
1.10.2 0.11.3 >=3.6, <=3.9
1.10.1 0.11.2 >=3.6, <=3.9
1.10.0 0.11.1 >=3.6, <=3.9
1.9.1 0.10.1 >=3.6, <=3.9
1.9.0 0.10.0 >=3.6, <=3.9
1.8.1 0.9.1 >=3.6, <=3.9
1.8.0 0.9.0 >=3.6, <=3.9
1.7.1 0.8.2 >=3.6, <=3.9
1.7.0 0.8.1 >=3.6, <=3.8
1.7.0 0.8.0 >=3.6, <=3.8
1.6.0 0.7.0 >=3.6, <=3.8
1.5.1 0.6.1 >=3.5, <=3.8
1.5.0 0.6.0 >=3.5, <=3.8
1.4.0 0.5.0 ==2.7, >=3.5, <=3.7
1.3.1 0.4.2 ==2.7, >=3.5, <=3.7
1.3.0 0.4.1 ==2.7, >=3.5, <=3.7
1.2.0 0.4.0 ==2.7, >=3.5, <=3.7
1.1.0 0.3.0 ==2.7, >=3.5, <=3.7
<=1.1.0 0.2.2 ==2.7, >=3.5, <=3.7

Python与Anaconda的版本对应关系

见官网 :

https://docs.anaconda.com/anaconda/packages/oldpkglists/

深度学习环境搭建

1. 安装Anaconda

清华大学开源镜像:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/




二. 02 GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda

此案例是以win11环境的gpu即nvidia为案例,进行深度学习环境搭建,选择工具及版本分别为CUDA 11.7、Pytouch1.12.1、Miniconda3_py38(含Python3.8)

1. 查看显卡驱动及对应cuda版本关系

1.1 显卡驱动和cuda版本信息查看方法

在命令行中输入【nvidia-smi】可以当前显卡驱动版本和cuda版本。

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第1张图片

根据显示,显卡驱动版本为:Driver Version: 527.47,CUDA 的版本为:CUDA Version 12.0。

此处我们可以根据下面的显卡驱动和cuda版本对应关系得知,Driver Version: 527.47 >516.31,所以可以使用 CUDA Version 11.7

1.2 根据显卡驱动 和 CUDA版本对应关系选择 CUDA

上面显示显卡驱动版本为:Driver Version: 527.47,CUDA 的版本为:CUDA Version 12.0,我们也可以根据显卡版本选择其他版本的 CUDA,因为 Driver Version: 527.47 >= 522.06,所以向下兼容,此案例以 CUDA 11.7 版本为安装案例。

CUDA工具版本 Linux驱动版本(x86/64) Windows驱动版本(x86/64)
CUDA 11.8 GA >=520.61.05 >=522.06
CUDA 11.7 更新1 >=515.48.07 >=516.31
CUDA 11.7 GA >=515.43.04 >=516.01
CUDA 11.6 更新2 >=510.47.03 >=511.65
CUDA 11.6 更新1 >=510.47.03 >=511.65
CUDA 11.6 GA >=510.39.01 >=511.23
CUDA 11.5 更新2 >=495.29.05 >=496.13
CUDA 11.5 更新1 >=495.29.05 >=496.13
CUDA 11.5 GA >=495.29.05 >=496.04
CUDA 11.4 更新4 >=470.82.01 >=472.50
CUDA 11.4 更新3 >=470.82.01 >=472.50
CUDA 11.4 更新2 >=470.57.02 >=471.41
CUDA 11.4 更新1 >=470.57.02 >=471.41
CUDA 11.4.0 GA >=470.42.01 >=471.11
CUDA 11.3.1 更新1 、 >=465.19.01 >=465.89
CUDA 11.3.0 GA >=465.19.01 >=465.89
CUDA 11.2.2 更新2 >=460.32.03 >=461.33
CUDA 11.2.1 更新1 >=460.32.03 >=461.09
CUDA 11.2.0 GA >=460.27.03 >=460.82
CUDA 11.1.1 更新1 >=455.32 >=456.81
CUDA 11.1 GA >=455.23 >=456.38
CUDA 11.0.3 更新1 >= 450.51.06 >= 451.82
CUDA 11.0.2 GA >= 450.51.05 >= 451.48
CUDA 11.0.1 RC >= 450.36.06 >= 451.22
CUDA 10.2.89 >= 440.33 >= 441.22
CUDA 10.1 (10.1.105发行版与更新) >= 418.39 >= 418.96
CUDA 10.0.130 >= 410.48 >= 411.31
CUDA 9.2 (9.2.148 更新1) >= 396.37 >= 398.26
CUDA 9.2 (9.2.88) >= 396.26 >= 397.44
CUDA 9.1 (9.1.85) >= 390.46 >= 391.29
CUDA 9.0 (9.0.76) >= 384.81 >= 385.54
CUDA 8.0 (8.0.61 GA2) >= 375.26 >= 376.51
CUDA 8.0 (8.0.44) >= 367.48 >= 369.30
CUDA 7.5 (7.5.16) >= 352.31 >= 353.66
CUDA 7.0 (7.0.28) >= 346.46 >= 347.62

2. 安装CUDA

2.1下载CUDA

  • 下载 CUDA 11,.7 版本

  • 下载地址 :https://developer.nvidia.com/cuda-toolkit-archive
    Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第2张图片

在这里插入图片描述

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第3张图片

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第4张图片

2.2. 安装CUDA

选择程序安装

第一个路径默认(后面系统会自动删掉),选择精简,这里建议默认安装,也可手动安装,但是要记得自己安装的位置,因为后面需要配置系统环境变量

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第5张图片

配置环境变量

安装完成后,就需要我们配置Cuda的环境变量了,我们在计算机上点右键,打开属性->高级系统设置->环境变量,可以看到系统中多了CUDA_PATH和CUDA_PATH_V9_0两个环境变量,安装好后,自动默认帮我们设置好了这2个环境变量(版本号对应用户所下载的版本号):
在这里插入图片描述

安装完毕在命令行输入 nvcc --version,可以看到我安装的是11.7
Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第6张图片

3. 安装cuDANN

  • 下载 CUDA 11,.7 版本 对应的 cuDANN

  • 下载官网: https://developer.nvidia.com/rdp/cudnn-archive

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第7张图片

解压cuDANN的压缩包发现里面会有三个文件夹 bin,include,lib,将它们复制到cuda安装下面C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.17,这是默认的路径

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第8张图片

在路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite中,用cmd运行bandwidthTest.exe和deviceQuery.exe,如果得到两个PASS就证明成功了,如图。
Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第9张图片

在这里插入图片描述

4. 选择 CUDA 对应的Pytorch、Pytorch 对应的Python

  • 查看对应版本关系详细见:https://blog.csdn.net/qq_41946216/article/details/129476095?spm=1001.2014.3001.5501

根据 CUDA 11.7 版本查看 Pytorch的对应版本为 12.1.1,再根据 Pytorch12.1.1版本查看Python对应的版本为 >=3.7 到 <=3.10 ,此处选择Python3.8案例

5.安装Python环境(安装Anaconda 或 Miniconda)

  • 因安装 Anaconda 或 Miniconda可以使用多个Python版本的环境,此处安装Miniconda为案例,版本为Miniconda3-py38 4.9.2-Windows-x86 64.exe,其中Python版本为3.8

5.1 安裝Anaconda3

  • Anaconda3清华大学开源镜像:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

  • 安装过程见:https://blog.csdn.net/weixin_54626591/article/details/135059496

5.2 安装Miniconda

  • Miniconda清华大学开源镜像:https://mirrors.bfsu.edu.cn/anaconda/miniconda/

  • 安装过程见:https://blog.csdn.net/weixin_54626591/article/details/135059496

6.安装虚拟环境(如只需一个python环境此步可忽略)

6.1打开这个Anaconda Prompt应用

进入之后是以(base)开头
Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第10张图片

6.2 创建虚拟环境

执行:

conda create -n pytorch python=3.8.5

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第11张图片

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第12张图片

6.3 激活环境

执行:

conda activate pytorch

在这里插入图片描述

6.4 配置清华镜像源(此步可省略)

此处详细见 Miniconda的下载安装和配置详解–配置镜像步骤

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
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/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
conda config --set ssl_verify false

7、安装pytorch

7.2 进入官网获取安装命令

官网:https://pytorch.org/
Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第13张图片

7.2 进入虚拟环境,执行安装

# conda active envName,如:conda active pytorch

如果不使用虚拟环境安装则此步骤可以省略

安装方式一:
  • 获取对应pytorch安装命令

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第14张图片

  • 打开 Anaconda Prompt,执行 conda activate pytorch 进入虚拟环境pytorch

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第15张图片

  • 执行命令:conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia ,执行此命令是下载最新版本 pytorch torchvision torchaudio

  • 注意:如果使用配置的清华镜像源,则需去掉 -c pytorch 和 -c nvidia ,否则会强制从官网下载会比较慢

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第16张图片

安装方式二:
  • 根据需要按版本选择(pytorch版本见上面 4、选择 CUDA 对应的Pytorch、Pytorch 对应的Python)

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第17张图片

  • 打开 Anaconda Prompt,执行 conda activate pytorch 进入虚拟环境pytorch

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第18张图片

  • 执行命令:
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia
  • 注意:如果使用配置的清华镜像源,则需去掉 -c pytorch 和 -c nvidia ,否则会强制从官网下载会比较慢

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第19张图片

安装方式三:
  • 手动下载 pytorch、torchvision 、 torchaudio

  • 下载网址:https://download.pytorch.org/whl/torch_stable.html

01选择pytorch

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第20张图片

02选择torchvision

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第21张图片

03选择torchvision

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第22张图片

其中 cu117 代表 cuda11.7,cp38 表示 python版本为 3.8

  • 执行命令安装:

  • 打开 Anaconda Prompt,执行 conda activate pytorch 进入虚拟环境pytorch

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第23张图片

  • 执行命令安装

在这里插入图片描述

其他两个安装相同方式安装。

8、验证安装是否成功

依次输入:

python

import torch

print(torch.__version__)

print(torch.cuda.is_available())

Python&aconda系列:GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本_第24张图片

当显示为True时,表示安装pytorch成功。

9、环境迁移(了解)

开发新项目三时,会用到多python独立环境,不同环境下安装相同的模块的情况,无需重新下载安装,利用pip freeze命令对之前安装好的环境进行迁移。

9.1 查看项目所安装的第三方库

进入安装目录,如虚拟环境 conda activate pytorch,输入pip freeze ,可查看项目所安装的所有第三方库。

9.2 生成依赖环境文件

输入pip freeze > requirements.txt,可在工程目录下生成requirements.txt文件,里面记录了该工程的所有依赖包以及对应的版本号。

在这里插入图片描述
在这里插入图片描述

9.3 环境迁移

在新环境进行环境迁移,执行 :

pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/,即可自动安装所有依赖 (requirements.txt文件必要时需要带上路径)










爱吃面的猫

01 Pytorch和CUDA对应的版本及Pytorch和Python对应的版本及Python与Anaconda的对应关系

02 GPU深度学习环境搭建:Win11+CUDA 11.7+Pytorch1.12.1+Anaconda

你可能感兴趣的:(#,python,python,深度学习,开发语言)