深度学习环境搭建anaconda+pycharm+pytorch的方法步骤

本文将详细介绍一下如何搭建深度学习所需要的实验环境.
这个框架分为以下六个模块

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第1张图片

显卡

简单理解这个就是我们常说的GPU,显卡的功能是一个专门做矩阵运算的部件,用于显示方面的运算,现在神经网络中绝大操作都是对矩阵的运算,所以我们当然可以将显卡的矩阵运算功能应用起来,来提高计算速度.

驱动

通常指NVIDIA Driver,其实它就是一个驱动软件,而前面的显卡就是硬件

cuda

cuda是一个扩展包,能够使得使用GPU进行通用计算变得简单和优雅,它本质上是一套指令集,我们通过这个指令集来使用显卡的矩阵运算操作;

Q:如何查看显卡支持的cuda的最高版本?

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第2张图片

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第3张图片

anaconda

1. 下载安装

下载官网:https://www.anaconda.com/

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第4张图片

选择与系统位数对应的安装包下载即可。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第5张图片

Anaconda占用空间较大,建议选择一个空闲的磁盘专门用来放Anaconda。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第6张图片

勾选添加环境变量

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第7张图片

2. 安装pytorch虚拟环境

创建一个虚拟环境:conda create -n torch(虚拟环境名) python = 3.7

在这里插入图片描述

此步骤 若出现以下情况:

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第8张图片

解决方法:
在创建新的虚拟环境前先输入以下命令。

conda config --add channels conda-forge
conda config --set channel_priority strict
conda config --set channel_priority flexible

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第9张图片

这个路径下存放的就是我们创建好的虚拟环境,torch文件夹下存放的就是我们在该环境下安装的一些包等等。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第10张图片

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第11张图片

激活并进入该环境:conda activate torch

激活环境前处于“大厅”位置(base),在激活torch环境后,我们可以看到已经进入了我们刚才新建的torch环境下(torch)。

在这里插入图片描述

查看该环境下装了哪些工具包:conda list

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第12张图片

下载pytorch:conda activate torch

下载官网:https://pytorch.org/

进入pytorch官网选择对应的一些选项,在最后一行会生成与之相对应的代码行,复制到终端窗口执行即可。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第13张图片

该命令行表示从pytorch下载前面四个工具包。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第14张图片

Q:如何解决下载速度过慢的问题?

由于这些网站的服务器都在国外,我们下载的话速度会非常慢,为了解决这个问题,国内有些大佬做了镜像网站,一段时间会专门去更新一次,所以换到镜像网站下载速度会大大提升。

清华源:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
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/cloud/msys2/
conda config --set show_channel_urls true

中科大源:
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes

本次安装我们换清华源

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第15张图片

换源后查看一下是否换源成功,channels表示下载通道,其中的网址都是清华源的网址,说明换源成功。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第16张图片

换掉原本的下载指令,去掉后面的 -c pytorch,表示从当前的清华源下载。

在这里插入图片描述

以下我们的pytorch虚拟环境以及一些工具包已经装好了。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第17张图片

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第18张图片

退出当前虚拟环境,回到大厅:conda deactivate

在这里插入图片描述

查看当前anconda中都有哪些虚拟环境:conda info -e

表示此时处于大厅位置。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第19张图片

在pytorch环境下编写测试代码

首先进入pytorch虚拟环境

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第20张图片

输入命令行import torch,若出现以下标志,说明pytorch已经安装好。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第21张图片

3. conda常用指令

 创建一个虚拟环境

conda create -n torch[虚拟环境名]  python = 3.7

激活并进入该环境

conda activate torch

查看该环境下装了哪些工具包

conda list

退出当前虚拟环境,回到大厅

conda deactivate

查看当前anconda中都有哪些虚拟环境

conda info -e

删掉该环境中的所有内容,并且销毁该环境

(base) conda remove -n torch --all

pycahrm / jupyter

下载安装

下载社区版的pycharm,修改安装路径为空闲磁盘。没有什么需要特别注意的,直接下一步即可。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第22张图片 

如何建好的虚拟环境的解释器找出来指派给代码?

我们可以创建多个虚拟环境,比如tensorflow,pytorch等,在用不同的框架时通过下面的设置切换到不同的虚拟环境即可。也有人会把所有的框架等装到一个虚拟环境中,当然理论上也是可以的,只是不方便管理,而且同一个虚拟环境下是不允许安装同一个工具的不同版本,这就非常不利于我们后续的学习。
具体操作如下:

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第23张图片

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第24张图片

pycharm中运行以下代码测试,若出现以下结果,说明环境搭建完成。
如果下图第二行显示为false,有可能是电脑显卡不支持cuda,只需删除该虚拟环境,重新下载cpu版本的pytorch即可。

深度学习环境搭建anaconda+pycharm+pytorch的方法步骤_第25张图片

import torch

print(torch.__version__)
print(torch.cuda.is_available())

x = torch.randn(1)
if torch.cuda.is_available():
    device = torch.device("cuda")
    y = torch.ones_like(x, device=device)
    x = x.to(device)
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))

到此这篇关于深度学习环境搭建anaconda+pycharm+pytorch的方法步骤的文章就介绍到这了,更多相关anaconda+pycharm+pytorch环境搭建内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

你可能感兴趣的