基于Anaconda安装GPU版PyTorch深度学习开发环境

1 安装Anaconda
2 安装GPU计算驱动
- 2.1 检查是否有合适的GPU
- 2.2 下载CUDA和cuDNN
- 2.3 安装CUDA和cuDNN
3 安装GPU版PyTorch
- 3.1 准备工作
- 3.2 安装CUDA
- 3.3 安装cuDNN
- 3.4 安装Pytorch
4 测试GPU版PyTorch深度学习开发环境

1 安装Anaconda

https://hulin.blog.csdn.net/article/details/106954449

2 安装GPU计算驱动

检查是否有合适的GPU, 若有安装Cuda与CuDNN
下载pytorch安装文件，进行pytorch的安装

2.1 检查是否有合适的GPU

在桌面上右击如果能找到NVIDA控制面板，则说明该电脑有GPU。
控制面板如下，并通过查看系统信息获取支持的Cuda版本。
点击 帮助->点击 系统信息 弹出下面的对话框，在驱动程序版本那一栏就能看到该计算机使用的驱动版本。

2.2 下载CUDA和cuDNN

官网：https://developer.nvidia.com/cuda-90-download-archive
在这里可以查询到我们应该下载哪个版本
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
根据实际情况选择合适的版本
下载CuDNN ，官网 https://developer.nvidia.com/rdp/cudnn-download
需要先注册并登录英伟达账号，然后根据实际情况选择合适的版本

2.3 安装CUDA和cuDNN

与安装其他的软件类似
安装结束后将 ~/nvcc/bin(因为版本的不同可能在不同的地方) 目录添加到环境变量
在命令行下输入 nvcc -V, 出现下列信息说明Cuda安装成功
将CuDNN压缩包解压后，下面的三个文件夹复制到Cuda的安装目录下
然后执行Demo, 如果Demo中显示PASS则说明安装成功，路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite

3 安装GPU版PyTorch

3.1 准备工作

用conda安装Pytorch过程中会连接失败，这是因为Anaconda.org的服务器在国外，需要切换到国内镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

设置搜索时显示通道地址

conda config --set show_channel_urls yes

创建虚拟环境，在该环境下安装下面的包

conda create -n pytorch_gpu python=3.6

激活环境

source activate pytorch_gpu

3.2 安装CUDA

conda install cudatoolkit=8.0 -n pytorch_gpu -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/

3.3 安装cuDNN

所安装的cuDNN版本注意和CUDA对应，可以在CUDA官网找到版本对应关系

conda install cudnn=7.0.5 -n pytorch_gpu -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/linux-64/

3.4 安装Pytorch

先到官网找到在你的操作系统、包、CUDA版本、语言版本下对应的安装脚本，官网地址为 https://pytorch.org/get-started/locally/
直接根据你的实际情况选择Pytorch安装包版本，然后复制页面自动生成的脚本进行安装。

conda install pytorch torchvision cudatoolkit=8.0 -n pytorch_gpu

4 测试GPU版PyTorch深度学习开发环境

import torchprint('torch version is {}'.format(torch.__version__))
print('CUDA is available {}'.format(torch.cuda.is_available()))

输出以下信息，说明环境安装成功！

基于Anaconda安装GPU版PyTorch深度学习开发环境相关推荐

centos GPU tensorflow pytorch 深度学习环境搭建
简要记录一下深度学习开发环境的搭建步骤,懒得编辑了,将就着吧. 总体流程参考文章:https://www.cnblogs.com/learn-the-hard-way/p/12318980.html ...
conda安装GPU版pytorch，结果却是cpu版本[找到问题根源，从容解决]
conda安装GPU版pytorch,结果却是cpu版本[找到问题根源,从容解决] 一.问题描述二.网上解决方案罗列[此节为反面方案罗列!!!] 三.发现的根本原因[独家] 3.1 pytorch文 ...
同时安装pytorch和TensorFlow等多种深度学习开发环境（1）
现在的开发环境比较多,在学习的过程中,经常会使用到不同的开发环境,最常用的就是TensorFlow和pytorch,以及其他的开发环境,我在学习的过程中使用的开发环境主要有pytorch和Tensor ...
使用RTX3080显卡搭建基于Pycharm+Python+Cuda+cuDNN+TensorFlow的深度学习开发环境
本文链接:https://blog.csdn.net/tjhyx2012/article/details/112955582 作为一名新手,也是出于兴趣,我通过查找有关资料,使用RTX3080显卡搭建 ...
【物体检测快速入门系列 | 03】Windows部署Docker GPU深度学习开发环境
这是机器未来的第3篇文章原文首发链接:https://blog.csdn.net/RobotFutures/article/details/124815912 1. 概述在<物体检测快速入门 ...
【Linux Mint 深度学习开发环境搭建】开发软件安装
系列文章目录第一章 Linux mint 深度学习开发环境搭建之Nvidia显卡相关软件安装第二章 Linux mint 深度学习开发环境搭建之开发软件安装第三章 Linux mint 深度学习 ...
supervessel-免费云镜像︱GPU加速的Caffe深度学习开发环境
开发环境介绍在SuperVessel云上,我们为大家免费提供当前火热的caffe深度学习开发环境.SuperVessel的Caffe有如下优点: 1) 免去了繁琐的Caffe环境的安装配置,即申请即 ...
深度学习开发环境调查结果公布，你的配置是这样吗？（附新环境配置） By 李泽南2017年6月26日 15:57 本周一（6 月 19 日）机器之心发表文章《我的深度学习开发环境详解：Te
深度学习开发环境调查结果公布,你的配置是这样吗?(附新环境配置) 机器之心 2017-06-25 12:27 阅读:108 摘要:参与:李泽南.李亚洲本周一(6月19日)机器之心发表文章<我的深 ...
Ubuntu18.04+CUDA10.2 深度学习开发环境配置指南
深度学习 Author:louwill Machine Learning Lab 搞深度学习环境永远是第一步.笔者之前也写过配置的两篇文章,但时间久远,目前来看版本已经过旧了.之前两篇参考: 深度学习 ...

基于Anaconda安装GPU版PyTorch深度学习开发环境

基于Anaconda安装GPU版PyTorch深度学习开发环境

1 安装Anaconda

2 安装GPU计算驱动

2.1 检查是否有合适的GPU

2.2 下载CUDA和cuDNN

2.3 安装CUDA和cuDNN

3 安装GPU版PyTorch

3.1 准备工作

3.2 安装CUDA

3.3 安装cuDNN

3.4 安装Pytorch

4 测试GPU版PyTorch深度学习开发环境

基于Anaconda安装GPU版PyTorch深度学习开发环境相关推荐

最新文章

热门文章