正文 

当前位置： 首页 > 知识 > java教程

配置pytorch(gpu)分析环境(代码片段)

徐洲更hoptop 徐洲更hoptop     2023-04-09     654

关键词：

Pytorch是目前最火的深度学习框架之一，另一个是TensorFlow。不过我之前一直用到是CPU版本，几个月前买了一台3070Ti的笔记本（是的，我在40系显卡出来的时候，买了30系，这确实一言难尽），同时我也有一台M1芯片Macbook Pro，目前也支持了pytorch的GPU加速，所以我就想着，在这两个电脑上装个Pytorch，浅度学习深度学习。

Apple silicon

首先是M1芯片，这个就特别简单了。先装一个conda，只不过是内置mamba包管理器，添加conda-forge频道，arm64版本。

# 下载
wget https://github.com/conda-forge/miniforge/releases/latest/download/Mambaforge-MacOSX-arm64.sh
# 安装
bash Mambaforge-MacOSX-arm64.sh

然后我们用mamba创建一个环境，用的是开发版的pytorch，所以频道指定pytorch-nightly

mamba create -n pytorch \\
   jupyterlab jupyterhub pytorch torchvision torchaudio 
   -c pytorch-nightly

最后，用conda activate pytorch,然后测试是否正确识别到GPU

import torch
torch.has_mps
# True
# 配置device
device = torch.device("mps")

参考资料: https://developer.apple.com/metal/pytorch/

Windows NVIDIA

首先，需要确保你的电脑安装的是NVIDIA的显卡，以及有了相应的CUDA驱动。

CUDA的显卡架构要求: https://docs.nvidia.com/deeplearning/cudnn/support-matrix/index.html

新一代的电脑上基本都自带CUDA驱动。可以通过打开NVIDIA控制面板的系统信息

在组件中查看你已经安装的CUDA驱动，例如我的是11.7.89 。

也可以通过命令行的方式查看，

接下来，我们来安装pytorch。同样也是推荐conda的方法，我们先从清华镜像源中下载Miniconda。

选择Windows的安装包

安装完之后，我们就可以通过Anaconda Prompt进入命令行，根据pytorch网站上的推荐进行安装。

但是有一点不同，为了避免环境冲突，最好是单独创建一个环境，所以代码如下

conda create -n pytorch pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

接着用 conda activate pytorch启动环境，然后在python环境中测试

import torch
torch.has_cuda
# True

几个常见的问题（至少我在写文章想到的问题）：

Q: 使用conda和pip安装的区别是什么？

A: conda是pytorch官方推荐的安装方式，因为conda会一并帮你装好pytorch运行所需要的CUDA驱动和相关工具集。这意味着为conda所占用的空间会更多一些。

Q: 可以在非常老的硬件上安装最新的pytorch吗？

A: 我觉得这个跟装游戏类似，你虽然能装上游戏，但是不满足游戏的最低配置需求，照样跑不动。

Q: 电脑上必须要安装CUDA驱动和安装CUDA toolkit吗？

A: 其实我个人不是很确定如何回答，如下是我目前的一些见解。如果你用的conda，那么他会帮你解决一些依赖问题。如果你是用pip，那么就需要你自己动手配置。其中，CUDA驱动是必须要安装的，因为CUDA驱动负责将GPU硬件与计算机操作系统相连接，不装驱动，操作系统就不识别CUDA核心，相当你没装NVIDIA显卡。而CUDA toolkit是方便我们调用CUDA核心的各种开发工具集合，你装CUDA toolkit的同时会配套安装CUDA驱动。除非你要做底层开发，或者你需要从源码编译一个pytorch，否则我们大可不装CUDA toolkit。

Q: 如果我电脑上的CUDA驱动版本比较旧怎么办？或者说我CUDA的驱动版本是11.7，但是我安装了cuda=11.8的pytorch，或者版本不一样的pytorch会怎么样？

A: 我们在安装cuda=11.7的pytorch，本质上安装的是在CUDA Toolkit版本为11.7环境下编译好的pytorch版本。当cuda版本之间的差异不是特别的大，或者说不是破坏性的升级的情况下，那么理论上也是能运行的。

手写数据性能测试

下面用的是GPT3.5给我提供一段手写字识别（MNIST)案例代码，用来测试不同的平台的速度。

import torch
import torchvision
import torchvision.transforms as transforms

# 转换数据格式并且加载数据
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5,), (0.5,))])

trainset = torchvision.datasets.MNIST(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.MNIST(root='./data', train=False,
                                       download=False, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
                                         shuffle=False, num_workers=2)

# 定义网络模型
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(1, 6, 5)
        self.pool = torch.nn.MaxPool2d(2, 2)
        self.conv2 = torch.nn.Conv2d(6, 16, 5)
        self.fc1 = torch.nn.Linear(16 * 4 * 4, 120)
        self.fc2 = torch.nn.Linear(120, 84)
        self.fc3 = torch.nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(torch.nn.functional.relu(self.conv1(x)))
        x = self.pool(torch.nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = torch.nn.functional.relu(self.fc1(x))
        x = torch.nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

# 这里的代码比较随意，就是用哪个平台运行哪个
# CPU
device = torch.device("cpu")
# CUDA
device = torch.device("cuda:0")
# MPS
device = torch.device("mps")

net.to(device)

# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练网络

import time

start_time = time.time()  # 记录开始时间

for epoch in range(10):  # 进行10次迭代训练
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data[0].to(device), data[1].to(device)
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 100 == 99:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0

end_time = time.time()  # 记录结束时间
training_time = end_time - start_time  # 计算训练时间

print('Training took %.2f seconds.' % training_time)

print('Finished Training')

# 测试网络
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data[0].to(device), data[1].to(device)
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
      ))

最后统计下来的结果为

Windows平台

  • 3070Ti Training took 45.02 seconds.
  • i9 12900H Training took CPU 75.65

Mac平台

  • M1 Max Training took 50.79 seconds.
  • M1 MAX CPU Training took 109.61 seconds.

总体上来说，GPU加速很明显，无论是mac还是Windows。其次是GPU加速效果对比，M1 max芯片比3070Ti差个10%？。

不过目前测试都是小数据集，等我学一段时间，试试大数据集的效果。

python3.9（anaconda）+pytorch（gpu）(代码片段)

...，直接找到安装好的环境就行了选择systeminterpreter2.安装pytorch（GPU版本的）我的配置：python3.9，显卡NVIDIAGeForceGTX1050Ti安装pythorch（GPU版本）的指令pipinstalltorch==1.12.0+cu113torchvision==0.13.0+cu113torchaudio==0.12.0--extra-index-urlhttps://download.pyt... 查看详情

aiwindows配置gpucuda驱动和pytorch框架(代码片段)

...看显卡硬件1.2查看cuda版本2、Annacondapython环境准备2.1创建pytorch_gpu2.2查看python版本3、Pytorch和torchVsion软件安装4、验证测试  在进行AI项目开发的时候，经常要在GPU环境中运行代码，对于没有配置过的新人来说，还是有... 查看详情

conda配置安装pytorchtensorflow-gpu(代码片段)

//-------------------------------------- 1、新建环境，避免与基础环境出现冲突condacreate-npytorch_gpupython=3.72、切换到pytorch环境condaactivatepytorch_gpu3、安装基本框架condainstallpandascondainstalljupyternotebook......conda 查看详情

pytorchcpu和gpu版本环境搭建及pytorch基本语法(代码片段)

1、PyTorchCPU版本环境搭建PyTorch官网：https://pytorch.org/在首页中部选择要安装的PyTorch配置，当前计算平台选择CPU版本。在本机命令行输入：pip3installtorchtorchvisiontorchaudio注意，一定要是pip3，pip是不能安装成功的。... 查看详情

pytorch基础的基本概念(代码片段)

1.什么是Pytorch，为什么选择Pytroch？2.Pytroch的安装3.配置Python环境4.准备Python管理器5.通过命令行安装PyTorch6.PyTorch基础概念GPU云服务器默认提供了pytorch的环境,7.通用代码实现流程(实现一个深度学习的代码流程)importtorchimporttorch.nnasn... 查看详情

深度学习第一步——pytorch-gpu环境配置：win11/win10+cuda10.2+cudnn8.5.0+pytorch1.8.0(步步巨细，少走十年弯路）(代码片段)

...3;Anaconda通过这篇博客你将获得：Cuda10.2+cuDNN11.x+Pytorch1.8.0(GPU)importtorchprint(torch.cuda.is_available())print(torch.__version__)print(torch.version.cuda)True1.8.010.2目录1.确定自己电脑有无显卡2.确定显卡支持的cuda最高版本​3.下载安装cuda4.安... 查看详情

从零开始系列——anaconda+pycharm+pytorch（gpu）+虚拟环境（全步骤，多图警告）(代码片段)

Anaconda+PyCharm+PyTorch（GPU）+虚拟环境声明一、安装Anaconda二、安装PyCharm三、创建虚拟环境并安装PyTorch四、关联虚拟环境五、致谢声明感谢姜小敏同学对我的支持、鼓励和鞭策！默认你的电脑上已经装有GPU，... 查看详情

腾讯云gpu服务器环境部署与连接配置(代码片段)

...个远程控制端软件：Xshell博主在初始化时已经安装过pytorch了，我们首先看看安装的路径测试环境importtorchprint(torch.__file__)修改源这时博主也发现系统帮我们安装了min 查看详情

python使用tensorflow检测gpu运行与使用pytorch(代码片段)

GPU运行状态检测在先前，博主完成了GPU环境的配置，那么今天博主来实验一下使用GPU来运行我们的项目使用cmd输入nvidia-smi查看GPU使用情况，下面是Linux里面的一个显示下面是我的运行状态：PS：在运行前需要安... 查看详情

ubuntu18.04/20.04cv环境配置（中）：tensorrt+pytorch安装配置(代码片段)

...1.1安装CUDA和cudnn 1.2安装Tensorrt2.下载文件3.1Tensorrt编译3.2Pytorch安装4.环境设置5.卸载6.安装TRTPose7.安装Realsense-ROS什么是Tensorrt？参考知乎解释什么是TensorRT-知乎Tensor是一个有助于在NVIDIA图形处理单元（GPU）上高性能推理... 查看详情

ubuntu18.04/20.04cv环境配置（中）：tensorrt+pytorch安装配置(代码片段)

...1.1安装CUDA和cudnn 1.2安装Tensorrt2.下载文件3.1Tensorrt编译3.2Pytorch安装4.环境设置5.卸载6.安装TRTPose7.安装Realsense-ROS什么是Tensorrt？参考知乎解释什么是TensorRT-知乎Tensor是一个有助于在NVIDIA图形处理单元（GPU）上高性能推理... 查看详情

pytorch安装及环境配置详细教程（cuda版本）(代码片段)

...、安装anaconda五、安装torch和torchvision前言安装cuda版本的pytorch时踩了不少坑，网上安装pytorch的版本很多，一般的教程都是到pytorch的官网，利用网址和镜像源去安装，问题非常多。也有教离线安装的，但是没有... 查看详情

windows搭建pytorch环境(gpu版本，含cudacudnn)，并在pycharm上使用（零基础小白向）(代码片段)

...是否支持CUDA2、下载并安装CUDA3、下载并安装cuDNN二、安装Pytorch1、安装Anaconda2、切换清华镜像源3、创建环境并激活4、输入Pytorch安装命令5、测试三、在Pycharm上使用搭建好的环境参考文章前言本人纯python小白，第一次使用Pychar... 查看详情

深度学习pytorch环境搭建(代码片段)

搭建pytorch环境，主要目的还是尽量利用gpu的算力，cpu也可以但速度要慢很多，如果没有Nvidia显卡，torch.cuda.is_available()就是False，是正确的。即便没有显卡，也是可以往后面学习的，只不过运算速度会慢... 查看详情

如何配置及安装pytorch虚拟环境(代码片段)

如何安装pytorch虚拟环境配置及安装pytorch虚拟环境1前言2打开AnacondaPrompt创建虚拟环境激活虚拟环境在虚拟环境中安装pytorch如果没有英伟达显卡如果有英伟达显卡查看检验是否安装成功配置及安装pytorch虚拟环境1前言JupyterNotebook和... 查看详情

anaconda配置各版本pytorch深度学习环境(代码片段)

目录1.前言2.配置镜像源3.pytorch，torchvision，python版本对应4.创建并进入虚拟环境5.Pytorch0.4.16.Pytorch1.0.07.Pytorch1.0.18.Pytorch1.1.09.Pytorch1.2.010.Pytorch1.4.011.Pytorch1.5.012.Pytorch1.5.113.Pytorch1.6.0 查看详情

超简单的pytorch（gpu版）安装教程（亲测有效）(代码片段)

之前安装pytorch框架，直接在pytorch官网复制命令下载。顺利安装之后，结果发现竟然是CPU版本，导致运行视频流十分卡顿，浪费了GPU。于是果断卸载pipuninstalltorchpipuninstalltorchvision经过数小时的尝试之后，终于... 查看详情

pytorch开发环境配置(cpu版)(代码片段)

问题方法安装CPU版的PyTorchcondainstallpytorchtorchvisiontorchaudiocpuonly-cpytorch结语 查看详情