wordpress积分交换,优化seo,微网站免费模板,长尾词挖掘工具爱站网1.准备python环境
python环境需要看pytorch上说明的版本本文用的是python3.9
conda create -n pytorch39 python3.92.安装pytorch【要使用GPU的先安装步骤3的CUDA在安装这个】
pytorch官方地址
#xff08;1#xff09;官方指出了python版本#xff1a;
#xff08;2…1.准备python环境
python环境需要看pytorch上说明的版本本文用的是python3.9
conda create -n pytorch39 python3.92.安装pytorch【要使用GPU的先安装步骤3的CUDA在安装这个】
pytorch官方地址
1官方指出了python版本
2使用 选择自己的环境如果不用GPU的话直接选择CPU复制最后一行的pip命令在python环境下的cmd窗口运行安装完后就可以了。
3.需要使用GPU
3.1 安装cuda
随着显卡的发展GPU越来越强大而且GPU为显示图像做了优化。在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了因此NVidia推出CUDA让显卡可以用于图像渲染和计算以外的目的例如这里提到的通用并行计算。CUDA即Compute Unified Device Architecture是NVidia利用GPU平台进行通用并行计算的一种架构它包含了CUDA指令集架构ISA以及GPU内部的并行计算引擎。开发人员可以利用C言、OpenCL、Fortran、c等为CUDA架构编写程序。简单来理解cuda就是NVidia提供的可以将显卡进行并行运算的一种软件驱动。
我们的最终目标是使用Pytoch而特定Pytorch对cuda的版本是有要求的。因此我们在安装cuda之前需要先确认到底装哪个cuda版本才行。 (1) 查看显卡的驱动版本
nvidia-smi驱动版本是Driver Version: 537.58-------------------CUDA Version: 12.2 我们需要安装的CUDA版本应该是12.2也可以参考官网的表因为截图迟早都不会是最新的文章但是官网肯定会实时更新。 官网CUDA安装版本和N卡驱动对照表 我们还可以在官网看到不同型号的显卡的算力我们这里是GeForce RTX 3050 所以在nvidia的gpu官网可以看到我们的显卡算力 根据自己的显卡型号点击不同的栏目查看
最后下载我们对应的CUDA在CUDA Toolkit官网选择自己的操作系统和CUDA版本下载如果没有对应的版本点击CUDA Documentation/Release Notes查看其它版本 下载好以后安装CUDA
按照安装提示默认安装即可。 安装完成后可以打开文件夹C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA可以看到当前目录已经存在v12.2文件夹表示已经成功安装cudav12.2版本并且上述安装程序已经自动的向环境变量中添加了对应的cuda路径使得后续pytorch可以正常调用和执行。
最后测试一下cuda是否安装成功。打开cmd命令终端然后输入命令
nvcc -V3.2 安装cudnn (可以不安装)
cudnn是什么为什么装了cuda了还要再装cudnn
为了解释上述两个问题我们需要重新梳理一下我们使用Pytorch的最终目标是什么我们是用它来进行深度学习训练和推理深度学习本质上就是训练深度卷积神经网络。尽管我们已经可以用cuda使得显卡来完成并行计算任务但是所有的操作还是比较底层的、复杂的。是否在cuda之上有一个专门用于深度神经网络的SDK库来加速完成相关特定的深度学习操作这个库就是cudnn。
NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中如caffe、tensorflow、pytorch、mxnet等。cudnn简单的插入式设计可以让开发人员专注于设计和实现神经网络模型而不是调整性能同时还可以在GPU上实现高性能现代并行计算。
简单来说cuda就是用来定义显卡并行运算的一些列底层GPU操作库cudnn则是在cuda基础上专门正对深度学习定制的高级GPU操作库。
cudnn官网下载地址 这里需要注册账号并填写相关个人信息然后进才可以进入真正的下载页面按照提示一步步操作最终在下载页下载自己对应的版本。我们选择的cuDNN v8.9.5没有对应CUDA版本的选择绿色的其它版本。 下载之后解压缩将CUDNN压缩包里面的bin、clude、lib文件直接复制到CUDA的安装目录下C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2直接覆盖安装即可完成。
4.验证
验证Pytorch是否安装成功并且能够成功调用cudnn。首先在命令行中输入python进入python环境然后输入命令
import torch
print(torch.__version__)如下图所示说明pytorch已经安装成功 再验证pytorch调用cuda是否正确。输入命令
print(torch.cuda.is_available())如下图所示即为成功
