深入浅出学习Pytorch—Pytorch简介与2024年最新安装（GPU）_pytorch gpu

深入浅出学习Pytorch—Pytorch简介

学习原因：Pytorch日益增长的发展速度与深度学习时代的迫切需要

Pytorch模型训练

pytorch实现模型训练包括以下的几个方面（学习路线）

1. 数据：数据预处理与数据增强
2. 模型：如何构建模型模块
3. 损失函数：创建并设置损失函数的超参数
4. 优化器：管理模型参数
5. 迭代训练：观察训练效果，并绘制Loss/Accuray曲线
6. 模型应用：图像分类、图像分割、目标检测。

Pytorch简介

2017年1月，FAlR（FacebookAl Research）发布PyTorch。

PyTorch是在Torch基础上用python语言重新打造的一款深度学习框架Torch是采用Lua语言为接口的机器学习框架，但因Lua语言较为小众，导致Torch知名度不高。

解释器与工具包

解释器：将python语言翻译成机器指令语言python.exe（解释器）
问题：python2与python3不兼容

工具包：工具包又称为依赖包、模块、库、包python之所以强大是因为拥有大量工具包内置包：os、sys、glob、re、math等第三方包:pytorch，tensorflow，numpy等

通常存在的位置：虚拟环境下的lib文件夹下面

涉及到了虚拟环境的概念：引入了Anaconda这类管理工具

其中包括了 Base虚拟环境，python解释器，conda pip等管理工具，常见的包等工具。

创建的虚拟环境与Base环境基本相同 ，我们在Pycharm中配置对应需要使用的虚拟环境

conda config --show channels  （查看镜像源）
conda config --remove channels <channel_name>  （删除镜像源）
持久添加通道：condaconfig--addchannels通道地址
删除通道：condaconfig--removechannels通道地址
1
2
3
4

显卡GPU与驱动

GPU （Graphics ProcessingUnit）

显卡，主要就是用于在屏幕上显示图像。用于与视频，图像处理相关的任务。

显卡：独立显卡，核显。

驱动：让计算机识别特定的硬件。

深度学习显卡，CUDA深度学习显卡，英伟达品牌的显卡。NVIDIA有了CUDA，我们就可以操作英伟达品牌的显卡。

• NVIDIA驱动：硬件显卡驱动，是为了告诉系统如何使用这张显卡的。
• CUDA：NVIDIA为了构建自己的护城河而开发的高性能计算库，主要用于3D渲染和深度学习等。
• CUDNN：NVIDIA针对深度学习而开发的，在CUDA之上的深度学习工具库。
• 简单来说，就是如果你想加速你的AI程序的训练和推理速度，那么 CUDA 与 CUDNN 是必须的。

安装前准备

判断是否有英伟达的GPU

在任务管理器中确定GPU的型号 例如我自己的电脑中带的GPU是4060的显卡（8G显存）

1. 首先，确定自己显卡的算力
2. 确定自己的可选择CUDARuntimeVersion
3. 确保自己的CUDADriver版本>=CUDARuntime版本

首先要验证英伟达的显卡驱动安装成功了：打开终端后，输入 “nvidia-smi”，如果有如下图所示的结果，就说明NVIDIA驱动安装成功了：

根据命令行可以确定支持的CUDA版本可以到12.4的型号上。但也要通过最新的官网文档进行确认

https://en.wikipedia.org/wiki/CUDA


我自己的是新的电脑，可以安装全新的驱动。

pytorch这里可以支持到12.1的驱动版本，在之后安装cuda时我们选择安装12.1的版本号来进行实验

配置镜像加速

如何查看配置文件中有哪些通道？
condaconfig–get
condaconfig–show
conda install xxx-c通道地址
conda create yyy -c 通道地址

核心技巧：配置文件的镜像地址默认保持不变，而使用-c参数只在当前的安装中生效

确定cuda runtimeversion

通过上面对pytorch版本的分析我们确定安装的版本为12.1的最新版本

如果对应的时老的显卡信息则需要找到历史版本的记录信息。

安装对应版本的cuda

在官网中找到指定要安装的cuda版本，我这里时12.1.0的版本，与pytorch中的版本型号进行对应。

https://developer.nvidia.com/cuda-toolkit-archive

下载windows64位的安装包

安装相对应版本的cuDNN

https://developer.nvidia.com/rdp/cudnn-archive

下载完成安装包之后按照对应的步骤安装好cuda12.0.0.1的驱动。

等待一段时间之后即可安装完成conda(需要一定时间的验证过程)

提示：推荐使用自定义下载的方式来进行安装，许可协议自定义安装路径

之后等待安装结束，同时验证安装是否成功，完成后配置对应的环境变量信息。

验证CUDA安装是否成功

找到D盘的安装位置

添加环境变量

参考位置：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib\x64
1
2

实际对应的位置：

安装cudnn

然后，对cudnn 进行解压，最后将解压后的 bin，include，lib 文件夹下的内容拷贝 到 cuda 对应的 bin，include，lib 下即可。至此，我们就完全安装了 AI 相关硬件环境。

三个文件夹对应位置安装

验证安装是否成功

首先win+R启动cmd，cd到安装目录下的 …\extras\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe（进到目录后需要直接输“bandwidthTest.exe”和“deviceQuery.exe”）,应该得到下图:

两个pass代表安装成功。

虚拟环境安装pytorch

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
1

在终端中使用命令进行安装安装完成之后进行验证。(到此pytorch安装成功)

环境安装选择在D盘，空间需要2.4G的空间(此时安装完成进行代码的验证)

验证GPU版本的Pytorch安装成功

import torch
#%%
torch.__version__
#%%
torch.cuda.is_available()
#%%
# 返回当前设备索引
torch.cuda.current_device()
#%%
# 返回GPU的数量
torch.cuda.device_count()
#%%
# 返回gpu的名字，设备索引默认从0开始
torch.cuda.get_device_name(0)
#%% md
### GPU版本的pytorch安装成功
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16