Anaconda+VScode配置transformer环境，用于学习point transformer_transformer环境配置

1.前往Anaconda官网下载Anaconda

Free Download | Anaconda

安装时选择自定义文件夹安装

我所安装的版本为:Anaconda3-2024.02-1-Windows-x86_64

2.前往Visual Studio Code官网安装VS Code

Visual Studio Code - Code Editing. Redefined

安装时选择自定义文件夹安装

我所安装的版本为：VSCodeUserSetup-x64-1.87.0

3.配置Anaconda环境

①定位到anaconda安装位置，所需复制路径如下：

D:\transformer\anaconda\setup

 ②定位到anaconda安装位置目录下的Scripts文件夹，所需复制路径如下：

D:\transformer\anaconda\setup\Scripts

③定位到anaconda安装位置目录下的”Library-bin”文件夹，所需复制路径如下：

D:\transformer\anaconda\setup\Library\bin

④回到桌面，点击”win+R”，进入“运行”界面，输入”sysdm.cpl”

在系统属性中依次进入“高级-环境变量”

将鼠标定位至用户变量下的”Path”,点击编辑

点击“新建”

依次添加以上三个路径

如下为将三个路径添加完成状态

最后点击确定退出。

4.Anaconda换源

①如下打开Anaconda prompt

②打开后如下

③：将如下代码复制进去，按下Enter键运行

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

4.更改Anaconda虚拟环境默认安装位置

①定位到Anaconda安装位置下的envs文件夹

②复制路径

D:\transformer\anaconda\setup\envs

③用路径替换如下代码的路径部分

conda config --add envs_dirs D:\transformer\anaconda\setup\envs

④将代码放入Anaconda prompt中运行

⑤打开envs文件夹，右键选择属性，选择“安全-Users-编辑”

⑥选择“Users”,将除了“特殊权限”之外的6个权限设为允许状态

5.VS code环境配置

①在这里选择以下插件安装：Python、Jupter，以及可以安装Vs code 中文包

②在如下搜索框输入“>python:select interpreter”用以选择解释器

③“输入解释器路径-查找”，找到自己电脑中Anaconda安装路径下的python

6.使用Anaconda+VS code配置transformer环境并初步使用

①.打开Anaconda prompt创建名为”pytorch”的虚拟环境，代码如下：

conda create -n pytorch python=3.9.11

②.将pytorch环境置为当前

conda activate pytorch

3.安装适合自己GPU版本的pytorch，适合我电脑版本为1.8.0

这里需要打开自己显卡查看与自己显卡适配的pytorch，在pytorch网站找到相应版本安装

在此处调出先前版本寻找

conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge

若出现此问题则为pytorch版本过低，与当前python版本不匹配。需要根据自己的显卡来安装合适版本的python以及pytorch，否则无法正常使用

4.使用如下代码安装transformer

conda install -c huggingface transformers

5.在VS code中，使用“ctrl+shift+`”,这个点按键是ESC下面的按键，调出终端面板如下：

点击“+”，选择默认配置文件，将Command Prompt置为当前

6.将内核换为自己所创建的虚拟环境

7.运行如下代码示例，验证是否成功安装环境，若能正常输出结果，则为正常配置环境

import torch

import torch.nn as nn

import torch.optim as optim

import torch.nn.functional as F

import numpy as np

# 构建一个简单的Transformer模型

class SimpleTransformer(nn.Module):

    def __init__(self, input_dim, output_dim):

        super(SimpleTransformer, self).__init__()

       

        self.embedding = nn.Embedding(input_dim, 256)

        self.transformer_layer = nn.Transformer(d_model=256, nhead=8)

        self.fc = nn.Linear(256, output_dim)

    def forward(self, src, tgt):

        src = self.embedding(src)

        tgt = self.embedding(tgt)

       

        output = self.transformer_layer(src, tgt)

        output = self.fc(output)

       

        return output

# 创建模型和数据

model = SimpleTransformer(input_dim=1000, output_dim=100)  # 假设输入维度为 1000，输出维度为 100

src = torch.tensor([[1, 2, 3, 4, 5]])  # 输入序列

tgt = torch.tensor([[6, 7, 8, 9, 10]])  # 目标序列

# 定义损失函数和优化器

criterion = nn.MSELoss()

optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型

for epoch in range(1000):

    optimizer.zero_grad()

    output = model(src, tgt)

    loss = criterion(output, torch.ones_like(output))  # 用简单的 MSE 损失来举例

    loss.backward()

    optimizer.step()

    if (epoch+1) % 100 == 0:

        print(f'Epoch [{epoch+1}/1000], Loss: {loss.item():.4f}')

# 使用训练后的模型进行预测

test_input = torch.tensor([[1, 2, 3, 4, 5]])  # 测试输入

predicted_output = model(test_input, tgt)  # 预测输出

print("Predicted output:", predicted_output)

6.若VS code提示编译中出现问题，并给出解决方案，则按照解决方案修改环境。

例如：在运行此示例时，提示需要使用以下代码安装插件，则将以下代码放入Anaconda prompt中运行即可：

conda install -n pytorch ipykernel --update-deps --force-reinstall

8.若是需要其他深度学习环境，只需要在虚拟环境中添加相应代码命令即可，比如需要添加openCV环境，在Anaconda prompt中打开自己创建的虚拟环境，运行如下代码：

conda install -c conda-forge opencv

9.若遇到环境配置中的问题，欢迎联系。其中一定要注意python、pytorch、自己显卡版本三者的搭配。