Pytorch安装和配置教程

作为一个科研小白，在人工智能领域研究需要深度学习框架和趁手的编程工具。主流的深度学习框架有Pytorch和TensorFlow。本文将一步步详细讲解利用Anaconda安装Pytorch框架和将其环境配置到Pycharm。

本文参考上述视频，大家可以根据自己喜好选择看视频或本文章。

Anaconda安装

Anaconda是一个开源Python发行版本，包含很多科学计算的依赖包，不仅可以便捷的下载和管理依赖包，而且可以统一管理发行版本，避免依赖包之间版本冲突。

1. 首先进入Anaconda下载网页，点击下载Anaconda安装包，我下载的是Windows版本的，官网还提供了Mac和Linux版本的，大家根据自己电脑的操作系统下载。

2. 下载完成后点击安装包进行安装，按照提示一步步进行安装，需要注意的是要记住安装的位置，便于后面在Pycharm配置路径时能够找到。我安装的路径为：E:\Anaconda3。

3. 安装完成后，在Windows自带的搜索中输入Anaconda Prompt进行搜索，找到并打开Anaconda命令窗口，如下图所示。base是Anaconda默认安装的环境，一般我们不会在base环境下安装依赖包，而是使用conda命令来创建虚拟环境。接下来我们来尝试创建一个名为“pytorch”的虚拟环境。

4. 在当前命令窗口中输入：conda create -n pytorch python=3.9，该命令是创建一个名为“pytorch”的虚拟环境，指定python版本为3.9。虚拟环境的名称和python版本都可以自己指定。安装虚拟环境过程需要输入 y 进行回车确认，才进行安装。如果不想在过程中输入 y 确认可以在命令添加中 -y。最后等待下载安装好虚拟环境。

   text
   复制代码
   conda create -n pytorch python=3.9
   conda create -y -n pytorch python=3.9
   

5. 安装好虚拟环境后，我们需要切换到刚刚安装好的虚拟环境，输入命令为：conda activate pytorch，这样我们就切换到pytorch虚拟环境下。此外，我还提供其他比较常用的命令，如:查看现存的虚拟环境、退出当前虚拟环境和删除虚拟环境。大家感兴趣的可以尝试一下。

   text
   复制代码
   # 更换虚拟环境
   conda activate pytorch
   # 查看当前存在的虚拟环境
   conda env list
   # 退出当前的虚拟环境
   conda deactivate
   # 删除虚拟环境
   conda env remove -n pytorch
   

Pytorch安装

PyTorch框架是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。

Pytorch可以安装GPU或者CPU版本，二者区别就是前者处理核多，运算快，能够加速模型训练。后续安装步骤以GPU为主。

1. 安装GPU版本首先得查看自己电脑的配置是否有独立显卡（非集显），打开任务管理器->性能->GPU，如下图所示。查看显卡型号和判断是否是独立显卡。

2. 打开PyTorch官网页面往下拉，直达看到如下图所示位置。默认如图选择的配置，安装优先使用conda（可兼顾依赖包版本），其次是pip进行安装。Compute Platform一般选择最左侧的CUDA版本，自己电脑的CUDA版本要大于或等于它。没有GPU的选择CPU进行安装。查看CUDA版本可以按“Win+R”键，输入cmd回车，打开命令行窗口，输入nvidia-smi进行。如果驱动版本和CUDA版本太低，则需要去更新显卡驱动。

   text
   复制代码
   # 查看GPU使用情况、驱动版本和CUDA版本
   nvidia-smi
   

3. 复制Run this Command里面的命令语句到之前Anaconda命令窗口，粘贴上去回车下载安装。若没有使用镜像channel，下载过程可能会很慢，大家可以自行上网查找文章配置镜像。执行完成后，如果不确定是否安装到位，可以再复制该语句执行，最后一句会出现All requested packages already installed.表示安装完成。

   text
   复制代码
   # 最好是去官网下复制，防止官网更新Pytorch修改了语句
   conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
   

   

4. 安装完成后要测试pytorch是否能调用cuda，输入python进入python运行环境，再依次输入import torch和torch.cuda.is_available()，若为True则表示测试成功。这样我们就完成了Pytorch的安装了。

   python
   复制代码
   # 进入python运行环境
   python
   # 导入torch包，不是pytorch
   import torch
   # cuda是否能使用
   torch.cuda.is_available()
   

Pycharm配置Anaconda虚拟环境

1. 在前面的步骤成功后，就可以将该虚拟环境配置到Pycharm中。首先打开Pycharm,创建一个新项目，点击右侧的python interpreter->Previously configured interpreter->Add Interpreter->Add Local Interpreter。
2. 在弹出的窗口左侧选择Conda Environment，在右侧Conda Executable中需要选择Anaconda安装路径下的Scripts\conda.exe，我安装的路径为：E:\Anaconda3\Scripts\conda.exe。选择好后Pycharm会识别出Anaconda的虚拟环境，在下拉框选择好虚拟环境即可。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓