首页 > 系统相关 >Windows10系统中安装与配置PyTorch(无GPU版本)

Windows10系统中安装与配置PyTorch(无GPU版本)

时间:2024-06-02 22:04:41浏览次数:24  
标签:pytorch Python Windows10 PyTorch 版本 GPU 安装

文章目录


1. 什么是PyTorch

PyTorch 是一种用于构建深度学习模型且功能完备的开源框架,通常用于处理图像识别和语言处理等应用当中的机器学习。PyTorch 保留了 Torch(Lua版)的许多核心思想和设计理念,可以被看作是 Torch 的继承或进化版。由于它用 Python 编写,因此学习和使用起来相对简单。

PyTorch 是 Facebook AI Research(FAIR) 和其他几个实验室开发者的工作成果。该框架将 Torch 中高效而灵活的 GPU 加速后端库与直观的 Python 前端相结合,能完全支持 GPU,其中使用的“反向模式自动微分”技术,使得 PyTorch 可以动态修改计算图形,成为快速实验和原型设计的常用选择。它于 2017 年 1 月在 Github 上开源。

PyTorch的主要特点:

  • PyTorch.org 社区十分活跃,有大量优秀文档和教程;
  • 采用 Python 编写,并集成了大量的热门 Python 库,对于开发者而言相对容易学习;
  • 支持用于实验的“即时模式”,也支持用于高性能执行的“图形模式”;
  • 支持 CPU、GPU、并行处理以及分布式训练;
  • PyTorch 支持动态计算图形,能够在运行时更改网络行为,相比其他的静态计算具有更大的灵活性优势;
  • PyTorch.Hub 是一个预训练模型库,具有极简的调用接口;
  • 拥有从计算机视觉到增强学习等领域的大量工具和库。

2. PyTorch的安装与配置(无GPU)

在开始安装 PyTorch 之前,需要先确认是否满足以下条件:

  1. 操作系统要求:
    • Windows 7 及更高版本;建议 Windows 10 及以上版本;
    • Windows Server 2008 r2 及更高版本
  2. Python版本:目前 Windows 上的 PyTorch 仅支持 Python 3.8-3.11,不支持 Python 2.x

2.1 创建环境

深度学习项目通常依赖于多个第三方库和框架,且这些库中许多都有特定版本依赖关系和兼容性问题,因此,为了确保各项目的依赖包不会互相冲突,尽量地使用环境管理工具,将不同项目的环境隔离开。

这里我们用前文《安装conda并搭建python环境(入门教程)》提到的环境管理工具 Conda。依次运行如下命令创建名为 pytorch_env 的虚拟环境,安装的解释器为 Python=3.8,并激活该环境。

# 创建环境
conda create --name pytorch_env python=3.8  
# 激活环境
conda activate pytorch_env

在这里插入图片描述

2.2 安装pytorch库(无GPU)

PyTorch 官网当中,可以根据自己本地的安装环境,配置相应的条件得到安装命令。这里我们选择的条件是:稳定版,Win系统,conda命令安装,Python语言,仅有CPU

在这里插入图片描述

根据所选条件,生成安装命令 conda install pytorch torchvision torchaudio cpuonly -c pytorch。我们在已激活的 pytorch_env 环境下,输入上述命令运行即可。

Conda 在安装 PyTorch 时能自动安装该库所有的依赖项。在安装过程中会弹出是否继续运行(安装所列出的依赖项)的提示,输入 y 回车即可。

在这里插入图片描述

最后出现一个 done,说明安装完成。

2.3 验证安装结果

为了确保 PyTorch 已正确安装,我们可以通过运行 PyTorch 测试代码来验证。这里我们创建一个 test.py 文件,代码内容如下:

import torch

x = torch.rand(5, 3)
print(x)

在安装了 PyTorch 的 pytorch_env 环境下,执行 python test.py 以运行该测试文件。PyTorch 安装成功的话,输出应类似于下图:

在这里插入图片描述
如果安装的是 GPU 版本,还可以通过如下代码检查 GPU 驱动程序和 CUDA 是否已启用并可供 PyTorch 访问。由于本文我们介绍的是 CPU 版本的安装,因此无需验证下面代码。

import torch
torch.cuda.is_available()

尽管CPU版本的 Pytorch 在核心功能接口方面并没有与 GPU 版本有差异,但由于没有利用 GPU 的并行计算能力,在训练深度学习模型和处理大规模数据时性能会相对差很多。

标签:pytorch,Python,Windows10,PyTorch,版本,GPU,安装
From: https://blog.csdn.net/Linshaodan520/article/details/139232683

相关文章

  • PyTorch 深度学习 (龙龙老师)电子版下载pdf百度云
    书:pan.baidu.com/s/1rOoEvizAhkQyF8xScVh51w?pwd=8onw提取码:8onw我的阅读笔记:PyTorch基础:介绍PyTorch的核心概念和基本操作,包括张量(Tensor)的计算、自动微分(Autograd)、神经网络(nn.Module)的构建等。神经网络基础:讲解神经网络的基本原理和常见结构,如全连接层、卷积层、循环层等......
  • 【PyTorch】(三)----搭建卷积神经网络
    该系列笔记主要参考了小土堆的视频教程,传送门:P1.PyTorch环境的配置及安装(ConfigurationandInstallationofPyTorch)【PyTorch教程】_哔哩哔哩_bilibili涉及到的文件/数据集网盘:链接:https://pan.baidu.com/s/1aZmXokdpbA97qQ2kHvx_JQ?pwd=1023提取码:1023在前面的两篇......
  • 动手学深度学习4.6 暂退法-笔记&练习(PyTorch)
    以下内容为结合李沐老师的课程和教材补充的学习笔记,以及对课后练习的一些思考,自留回顾,也供同学之人交流参考。本节课程地址:丢弃法_哔哩哔哩_bilibili本节教材地址:4.6.暂退法(Dropout)—动手学深度学习2.0.0documentation(d2l.ai)本节开源代码:...>d2l-zh>pytorch>chapter......
  • 构建无与伦比的深度学习环境:在CentOS上实现GPU资源管理容器的终极指南
    在CentOS上构建无与伦比的深度学习环境并实现GPU资源管理容器的过程,可以概括为以下关键步骤:一、安装NVIDIA驱动首先,为了使用GPU进行深度学习训练,你需要安装NVIDIA驱动。这通常包括以下步骤:导入ELRepo仓库的GPG密钥:bash复制代码rpm--importhttps://www.elrepo.org......
  • 用 pytorch 从零开始实现单隐层 MLP
    我的代码如下:importtorchfromtorchvisionimporttransformsfromtorch.utilsimportdata导入torchvision#==============load数据集defget_dataloader_workers():返回4defload_data_fashion_mnist(batch_size,resize=None):trans=[transforms.ToT......
  • PyTorch 的 torch.nn 模块学习
    torch.nn是PyTorch中专门用于构建和训练神经网络的模块。它的整体架构分为几个主要部分,每部分的原理、要点和使用场景如下:1.nn.Module原理和要点:nn.Module是所有神经网络组件的基类。任何神经网络模型都应该继承nn.Module,并实现其forward方法。使用场景:用于定义和......
  • pytorch实现线性回归
    转自:https://www.cnblogs.com/miraclepbc/p/14329186.html导入相关python包importtorchimportpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromtorchimportnn%matplotlibinline加载数据data=pd.read_csv('E:/datasets/dataset/Income1.csv�......
  • 安装并运行pytorch报错“核心已转储”
    1问题和解决概要主机环境:Ubuntu20.04,RTX3090,GPUDriverVersion525.89.02问题:用anaconda创建虚拟环境python3.10,安装pytorch2.2.2-cu118和对应torchvision后,训练模型出现报错:“核心已转储”。定位和解决:查阅资料,确认driver支持cuda-11.8,主机安装cuda-11.8后编译一个sample......
  • 用Pytorch搭建一个简单的CNN(MNIST数据集—十分类问题)
    文章目录前言一、MNIST数据集二、使用步骤1.基本库的导入和随机种子的设定2.MINIST数据集的下载、保存与加载可视化某一批图像数据3.用pytorch搭建CNNCNN的主体部分:由卷积模块和全连接组成。4.训练CNN并保存损失最小的模型网络参数的定义:每一轮训练的主体部分:4.测试训练......
  • PyTorch学习(8):PyTorch中Tensor的合并于拆分(torch.cat, torch.stack, torch.trunk, tor
    1.写在前面       在使用PyTorch执行深度学习开发时,经常会用到对Tensor的合并于拆分操作。如我们在使用CSP时,有时候会需要将Tensor拆分成两部分,其中一部分进行进行CrossStage操作,另一部分执行多重卷积操作,这个时候我们就会用到四个典型的接口,分别是torch.cat,torch......