环境相关＜持续更新＞_conda 环境 迁移 windows 不同主机

#深度学习环境

1 安装CUDA、Cudnn、显卡驱动

windows、linux先安装以上三个
现在大部分的深度学习环境以及包都是通过yaml或者reqirement.txt或者venv傻瓜式安装，
这样的好处则是可以将环境隔离开来 互不干扰，缺点就是占用空间大。
具体的安装过程后续再更，网上成熟的教程也较多

安装miniAnaconda3

傻瓜式安装
出现Would you like conda to send this report to the core maintainers? [y/N]: 这种问题
请安装anaconda对应的cuda版本，以上问题是我直接下载最新的版本出现的问题，

安装cuda cudnn

https://blog.csdn.net/Ever_____/article/details/127379785

创建虚拟环境

conda create -n dl python=3.7
注意断开vpn

查看环境
conda env list

切换环境

conda activate dl

安装torch

pip install torch1.9.1+cu111 torchvision0.10.1+cu111 torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html --default-timeout=300 坑壁，尽可能的设置延时，不然下载要完成时 提示timeout，浪费劳资流量

pycharm设置虚拟环境时，找不到环境，解决：先使用系统环境，然后切换conda环境：如下链接
https://blog.csdn.net/kaigemime/article/details/132531737

anaconda版本
Anaconda3-2020.11-Windows-x86_64
cuda版本
11.1
cudnn版本
8.9
python版本
3.7

环境安装完整之后 测试代码

深度学习中的hello world

import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5, 1)
        self.conv2 = nn.Conv2d(20, 50, 5, 1)
        self.fc1 = nn.Linear(4 * 4 * 50, 500)
        self.fc2 = nn.Linear(500, 10)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2, 2)
        x = x.view(-1, 4 * 4 * 50)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)


def train(args, model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % args.log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))


def test(args, model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += F.nll_loss(output, target, reduction='sum').item()  # sum up batch loss
            pred = output.argmax(dim=1, keepdim=True)  # get the index of the max log-probability
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))


def main():
    parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
    parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                        help='input batch size for training (default: 64)')
    parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                        help='input batch size for testing (default: 1000)')
    parser.add_argument('--epochs', type=int, default=10, metavar='N',
                        help='number of epochs to train (default: 10)')
    parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
                        help='learning rate (default: 0.01)')
    parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
                        help='SGD momentum (default: 0.5)')
    parser.add_argument('--no-cuda', action='store_true', default=False,
                        help='disables CUDA training')
    parser.add_argument('--seed', type=int, default=1, metavar='S',
                        help='random seed (default: 1)')
    parser.add_argument('--log-interval', type=int, default=10, metavar='N',
                        help='how many batches to wait before logging training status')
    parser.add_argument('--save-model', action='store_true', default=False,
                        help='For Saving the current Model')

    args = parser.parse_args()
    use_cuda = not args.no_cuda and torch.cuda.is_available()
    torch.manual_seed(args.seed)
    device = torch.device("cuda" if use_cuda else "cpu")
    kwargs = {'num_workers': 1, 'pin_memory': True} if use_cuda else {}
    train_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=True, download=False,
                       transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
        batch_size=args.batch_size, shuffle=True, **kwargs)
    test_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=False, transform=transforms.Compose([
            transforms.ToTensor(),
            transforms.Normalize((0.1307,), (0.3081,))
        ])),
        batch_size=args.test_batch_size, shuffle=True, **kwargs)

    model = Net().to(device)
    optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)

    for epoch in range(1, args.epochs + 1):
        train(args, model, device, train_loader, optimizer, epoch)
        test(args, model, device, test_loader)

    if (args.save_model):
        torch.save(model.state_dict(), "mnist_cnn.pt")

if __name__ == '__main__':
    main()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113

libtorch visual studio工程环境配置

https://allentdan.github.io/2020/12/16/pytorch%E9%83%A8%E7%BD%B2torchscript%E7%AF%87/

2 conda虚拟环境迁移到另外一台计算机或系统中

需求

假设两台windows都装了conda，命名为A和B，A中有虚拟环境py370，现在要将py370迁移到B中，假设B中的anaconda已经装好。

实现过程

第一步

将A中的py370铐到B中的env路径下

第二步

查看B中的env下的py370中的conda-meta文件，
该文件夹下有较多的json文件，点开任意一个.json查看可以发现
“link”: {
“source”: “D:\anaconda\pkgs\ca-certificates-2022.10.11-h06a4308_0”,
“type”: 1
},
将所有的.json文件中 ’D盘中安装anaconda路径‘ 替换为 ‘B中anaconda的安装目录‘ 即可，“pkgs以及pkgs之后的路径都不用修改，因此只需要用脚本检测

工具

以下是修改所有json文件[“link”][“source”]的脚本，以将D盘换到E盘为例

import os
import json
folder_path = "path/to/folder"  # 指定文件夹路径
for file_name in os.listdir(folder_path):  # 遍历文件夹下所有文件
    if file_name.endswith('.json'):  # 筛选JSON文件
        file_path = os.path.join(folder_path, file_name)
        with open(file_path, 'r') as f:  # 打开JSON文件
            data = json.load(f)  # 加载JSON数据
        if 'link' in data and 'source' in data['link']:  # 如果JSON数据中存在“link”键和“source”键
            source_path = data['link']['source']
            if source_path.startswith('D:\\Anaconda\\'):  # 如果链接中包含指定的路径
                data['link']['source'] = source_path.replace('D:\\Anaconda\\', 'E:\\Anaconda\\')  # 修改路径
                with open(file_path, 'w') as f:  # 保存修改后的JSON数据
                    json.dump(data, f, indent=4)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

引用

https://blog.csdn.net/dickwinters2011/article/details/123511315