首页 > 其他分享 >如何在D盘创建虚拟环境?包括安装PyTorch和配置PyCharm

如何在D盘创建虚拟环境?包括安装PyTorch和配置PyCharm

时间:2024-08-31 14:54:13浏览次数:3  
标签:envs py310 -- PyTorch 虚拟环境 conda D盘 输入

摘要:本文首先在D盘创建了虚拟环境,然后在虚拟环境中安装了PyTorch,最后配置了pycharm的解释器。

1. 在 D 盘创建虚拟环境

打开Anaconda Prompt

输入conda info --envs查看当前已有环境

创建自己的虚拟环境,打算命名为py310,输入

conda create --prefix=D:\ProgramData\py310 python=3.10

再次查看虚拟环境,输入conda info --envs

输入

conda activate D:\ProgramData\py310

进入虚拟环境

此时,创建的虚拟环境还没有名字。需要给它取个别名。

输入conda config --show envs_dirs查看一下当前环境目录。发现没有新创建的这个环境。

现在要把py310加入envs_dirs

conda config --append envs_dirs  D:\ProgramData

输入conda info --envs,可以看到,此时环境有了别名

尝试用别名激活虚拟环境

conda deactivate

先退出,再用别名进入

conda activate py310

成功

2. 在虚拟环境中安装 PyTorch

我的显卡是4060,算力是8.9,CUDA Version是12.6。进入PyTorch官网

只要是CUDA小于等于12.6就行,首选Conda,复制命令

conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia

粘贴在Anaconda Prompt中。等待安装。

安装好后,输入conda list查看是否存在pytorch

输入python,打开python

输入

import torch
torch.cuda.is_available()

返回True,则成功

3. 配置 pycharm

新建项目

添加解释器

创建

在项目中,新建python脚本文件

输入:

import torch

print(torch.cuda.is_available())

运行一下,显示True

至此,pycharm配置成功!

标签:envs,py310,--,PyTorch,虚拟环境,conda,D盘,输入
From: https://www.cnblogs.com/xing9/p/18390272

相关文章

  • 在新项目中创建 Python 虚拟环境
    在新项目中创建Python虚拟环境可以帮助您管理项目的依赖项,避免与其他项目的冲突。以下是创建Python虚拟环境的步骤:1.安装Python确保您已经安装了Python。您可以在终端或命令提示符中运行以下命令来检查是否已安装:python--version或者python3--version如果......
  • PyTorch~Tensor
    为什么深度学习中要用Tensor,而不是直接用numpy?发现很多人没有说到重点,首先,数学上的tensor和编程上的(pytorch)内的tensor是两个概念。数学上的tensor是用来研究高维矩阵之间的一些表达方式和运算性质的(比如高维空间的度量如何更加通用的定义),pytorch里面的tensor是一个数据......
  • PyTorch深度学习实战(26)—— PyTorch与Multi-GPU
    当拥有多块GPU时,可以利用分布式计算(DistributedComputation)与并行计算(ParallelComputation)的方式加速网络的训练过程。在这里,分布式是指有多个GPU在多台服务器上,并行指一台服务器上的多个GPU。在工作环境中,使用这两种方式加速模型训练是非常重要的技能。本文将介绍PyTorch中......
  • 深度学习-pytorch-nerual network价格预测-004
    #1.导入相关模块importtorchfromtorch.utils.dataimportTensorDatasetfromtorch.utils.dataimportDataLoaderimporttorch.nnasnnimporttorch.optimasoptimfromsklearn.datasetsimportmake_regressionfromsklearn.model_selectionimporttrain_test_spli......
  • Pytorch 中的 优化器
    1.介绍torch.optim是PyTorch库中的一个优化器模块,用于实现各种优化算法。优化器模块提供了一系列优化算法,如随机梯度下降(SGD)、Adam、Adagrad等。这些优化算法用于调整神经网络的权重和学习率,以最小化损失函数。通过优化算法,可以帮助神经网络更快地收敛到最优解,提高训练效......
  • Pytorch 的 损失函数
    1.损失函数损失函数(LossFunction)是用来衡量模型预测结果与真实值之间的差异的函数。它是训练过程中最重要的组成部分之一,用来指导模型的优化过程。 作用损失函数的作用包括:衡量模型性能:通过计算预测结果与真实值的差异,损失函数可以提供一个衡量模型预测准确性的指标......
  • Pytorch 中的 Sequential
    1.介绍在PyTorch中,Sequential是一个模型容器。它是一个用于顺序排列神经网络模块(如层、激活函数等)的容器。通过使用Sequential,可以将多个模块按照顺序连接在一起,构建一个深度神经网络模型。使用Sequential时,可以将每个模块按照顺序添加到Sequential容器中。每个模块都可以......
  • 从零开始的PyTorch【03】:优化你的神经网络模型
    从零开始的PyTorch【03】:优化你的神经网络模型前言欢迎回到PyTorch学习系列的第三篇!在前两篇文章中,我们学习了如何构建一个简单的神经网络并训练它,同时探索了数据集调整对模型性能的影响。今天,我们将深入探讨如何优化你的神经网络模型,使其在更复杂的任务中表现更好。我们......
  • 每天五分钟深度学习框架pytorch:nn.Module和nn.function的区别
    本文重点前面我们学习了神经网络工具箱nn.Module,本节课程我们学习一下nn.function,我们可以暂时这样认为,基本上nn.Module所能够完成的任务,nn.function基本上都可以完成,也就是它们两个是重复的,但是它们两个还是有很大的区别,这里我们简单的进行一下介绍。nn.Module和nn.func......
  • 并行动力:用PyTorch在多GPU上释放深度学习潜能
    标题:并行动力:用PyTorch在多GPU上释放深度学习潜能随着深度学习模型变得越来越复杂,单GPU训练往往难以满足需求。幸运的是,PyTorch提供了强大的多GPU训练支持,允许我们利用多个GPU来加速模型的训练过程。本文将详细介绍如何在PyTorch中使用多GPU训练,包括数据并行、模型并行以及......