基于Pytorch的深度学习Win10环境配置
本文旨在提供配置CUDA和CUDNN环境及安装Pytorch GPU版本的详细指导,以便部署深度学习模型的GPU加速,从而帮助入门者快速准确配置相关环境。
CUDA & CUDNN 安装与验证
CUDA安装
查看系统的GPU支持的CUDA版本
nvidia-smi
上图中红色方框框出的为当前系统支持的CUDA最高版本。接下来根据得到的版本信息开始下载CUDA相关安装包。
英伟达官方CUDA下载连接:https://developer.nvidia.cn/cuda-downloads
页面上方确认当前下载的版本:
按照下图红框依次
一般官方页面显示的为最新CUDA环境,历史版本下载链接:https://developer.nvidia.com/cuda-toolkit-archive,页面如下所示,根据当前系统自行选择。
以安装CUDA11.8.0为例:
- 选择CUDA解压路径(与实际安装位置无关,安装后的解压文件会自动删除),下图是安装包解压路径配置和安装进程图。
- 之后开始安装过程,初始界面点击“同意并继续”,接着自定义安装。
- 安装选项部分除了CUDA,其余都取消勾选。
- 选择安装位置(建议使用默认位置),点击“下一步”,等待安装完成。
- 环境变量配置(这里安装路径为C盘)
CUDA_PATH配置(安装后会自动生成):
PATH配置(根绝PATH中缺失的自行添加):
CUDNN安装
英伟达官方CUDNN下载链接:https://developer.nvidia.com/rdp/cudnn-download
- 下载CUDNN,CUDA11.8.0安装方式如下图。方框中为对应CUDNN版本,选择windows版本。如果是其他较早的版本,点击“Archived cuDNN Releases”选择对应上步中安装的CUDA版本的CUDNN。
- 下载完成得到CUDNN的zip压缩包,再进行解压。
- 将解压的文件分别放置于CUDA目录中。
验证CUDA和CUDNN安装情况
方法一、cuda指令(推荐)
查看CUDA版本 nvcc -V
方法二、运行官方demo
bandwidthTest.exe
和 deviceQuery.exe
文件,如果最后都显示 Result = PASS
则说明安装成功。
bandwidthTest.exe
运行情况:
deviceQuery.exe
运行情况:
方法三、利用Pytoch验证(需要当前环境安装好Pytoch)
import torch
# 查看当前系统的CUDA版本
print(torch.version.cuda)
# 查看当前系统的CUDNN版本
print(torch.backends.cudnn.version())
Pytorch安装与验证
Pytoch GPU版本安装
在线安装
如果需要cuda其他版本的,可以尝试将https://download.pytorch.org/whl/cu118末尾的cu118改为需要的版本
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
离线安装
方式一、pip离线安装whl文件(推荐)
需要查询当前环境的cuda版本和python版本
# cuda版本查询
nvcc -V
# python版本查询
python -V
在https://download.pytorch.org/whl/torch_stable.html网站下载需要的whl安装文件。
pip install ****.whl
下图展示的是torch和torchvision的下载示例。
python3.8、cuda11.8的离线安装方式如下:
pip install torch-2.0.1%2Bcu118-cp38-cp38-win_amd64.whl
pip install torchvision-0.15.2%2Bcu118-cp38-cp38-win_amd64.whl
特别注意,torch与torchvision的版本对应关系,参考官方 Github repo,对应如下表所示。
torch | torchvision | python |
---|---|---|
main / nightly | main / nightly | >=3.8, <=3.10 |
2.0.1 | 0.15.2 | >=3.8, <=3.10 |
2.0.0 | 0.15.1 | >=3.8, <=3.10 |
1.13.1 | 0.14.1 | >=3.7.2, <=3.10 |
1.13.0 | 0.14.0 | >=3.7.2, <=3.10 |
1.12.1 | 0.13.1 | >=3.7, <=3.10 |
1.12.0 | 0.13.0 | >=3.7, <=3.10 |
1.11.0 | 0.12.3 | >=3.7, <=3.10 |
1.10.2 | 0.11.3 | >=3.6, <=3.9 |
1.10.1 | 0.11.2 | >=3.6, <=3.9 |
1.10.0 | 0.11.1 | >=3.6, <=3.9 |
1.9.1 | 0.10.1 | >=3.6, <=3.9 |
1.9.0 | 0.10.0 | >=3.6, <=3.9 |
1.8.2 | 0.9.2 | >=3.6, <=3.9 |
1.8.1 | 0.9.1 | >=3.6, <=3.9 |
1.8.0 | 0.9.0 | >=3.6, <=3.9 |
1.7.1 | 0.8.2 | >=3.6, <=3.9 |
1.7.0 | 0.8.1 | >=3.6, <=3.8 |
1.7.0 | 0.8.0 | >=3.6, <=3.8 |
1.6.0 | 0.7.0 | >=3.6, <=3.8 |
1.5.1 | 0.6.1 | >=3.5, <=3.8 |
1.5.0 | 0.6.0 | >=3.5, <=3.8 |
1.4.0 | 0.5.0 | ==2.7, >=3.5, <=3.8 |
1.3.1 | 0.4.2 | ==2.7, >=3.5, <=3.7 |
1.3.0 | 0.4.1 | ==2.7, >=3.5, <=3.7 |
1.2.0 | 0.4.0 | ==2.7, >=3.5, <=3.7 |
1.1.0 | 0.3.0 | ==2.7, >=3.5, <=3.7 |
<=1.0.1 | 0.2.2 | ==2.7, >=3.5, <=3.7 |
方式二、conda安装tar.gz文件
依赖下载地址:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
下图展示的是torch和torchvision的下载示例。
# conda离线安装,需要先进入下载的目录,执行下面指令:
conda install --offline .\pytorch-2.0.1-py3.8_cuda11.8_cudnn8_0.tar.bz2
conda install --offline .\torchvision-0.15.2-py38_cu118.tar.bz2
# pip下载包的其他依赖,该指令不会重复下载torch和torchvision
pip install torch torchvision
验证Pytorch GPU版本安装情况
import torch
# 查看当前Pytorch版本
print(torch.__version__)
# 查看当前GPU是否可用
print(torch.cuda.is_available())
更多推荐
所有评论(0)