Python深度学习环境配置全流程
文章目录
- 前言
- 基于 CPU
- 基于 GPU
- 基于苹果 ARM 芯片
- 常用命令
- 举例
前言
Python 的学习过程中:
- 管理环境使用 Anaconda 或 miniconda
- 项目开发使用 Pycharm 或 VSCode
深度学习平台分为两类:
1. 基于 CPU
2. 基于 GPU
无论哪一类,都需要搭建一个深度学习框架和配置依赖环境,具体而言都是一个个库,其中基础库的版本必须严格匹配,否则搭建的平台将涌现大量奇怪 bug
基于 CPU
基于 CPU 的框架兼容性强,通常用于深度学习项目的快速测试,无论是 Tensorflow 或 Pytorch 框架都很好的向下兼容,配置环境通常不会遇到困难,在 Tensorflow官网 与 Pytorch官网 安装官方列出内容即可,通常会提供一键安装的命令,即 CMD 中的 Conmand ,没有激活其它环境时,安装在系统默认环境中完成
基于 CPU 的 Tensorflow 框架
基于 CPU 的 Pytorch 框架
在 CMD 或 Power Shell (Win10接管 CMD 的壳) 与 Aanconda Prompt(Anaconda接管 CMD 的壳)中在线安装可能会网络超时,给常用的包管理器 pip 与 conda 添加 镜像源通道,以便改善网络超时的情况
# 给pip添加清华通道
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple# 给conda添加清华通道
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# 给conda添加社区通道
conda config --add channels conda-forge
倘若在线安装无法成功,可以选择访问在线仓库下载安装包,本地安装;把我们的深度学习环境比作 Windows 环境,那么这一过程等价于下载目标程序的 .exe 安装包并执行安装
深度学习框架手动下载与安装
# 前往在线仓库地址
# tensorflow-gpu
http://mirrors.aliyun.com/pypi/simple/tensorflow-gpu/
# pytorch
https://download.pytorch.org/whl/torch_stable.html# 本地安装
pip install (Windows下)本地的.whl安装包的绝对路径
conda install --use-local (Windows下)本地的.conda安装包的绝对路径
conda install --offline (Windows下)本地的.tar.bz2安装包的绝对路径
基于 GPU
这是我们的重头戏,基于 GPU 的框架运行速度快,通常用于深度学习项目的开发工作,无论是 Tensorflow 或 Pytorch 框架的效率都十倍甚至百倍基于 CPU 的框架,是毫无争议的大哥,但相应的依赖环境复杂很多,因此安装也更为麻烦
依赖关系从底层到表层的顺序是
Gpudriver > Msvc > Cudatoolkit > Cudnn > Python > Tensorflow+Keras or Pytorch
配置逻辑与 基于 CPU 相同的,它同样可在 Tensorflow 或 Pytorch 官网找到在线安装的命令,即 CMD 中的 Conmand ,如果能够通过此命令一键安装自然最为省心,但大多数时候都会失败,理解万岁,此时我们就要根据需要逐个装包,通过 pip 或 conda 命令逐个在线安装,倘若失败,则在 CMD 中执行失败包的 搜索命令,寻找通道中的在线仓库中的目标安装包,通过返回的链接下载安装包,本地安装
# 搜索命令
conda search 库名 --info
基于苹果 ARM 芯片
# 注意:必须使用miniforge3或者适配ARM的miniconda3管理虚拟环境时才能使用下述方法安装tensorflow
# github中下载miniforge3安装包并本地安装
# 地址链接
https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-MacOSX-arm64.sh
# 安装命令
cd /myprogrampath
chmod +x ~/Downloads/Miniforge3-MacOSX-arm64.sh
sh ~/Downloads/Miniforge3-MacOSX-arm64.sh
# 激活管理器环境变量
source ~/miniforge3/bin/activate
# 安装miniconda
brew install miniconda
# tensorflow
# 激活虚拟环境后,首先建立依赖关系
conda install -c apple tensorflow-deps
# 其次安装Tf框架
python -m pip install tensorflow-macos
# 最后安装苹果API
python -m pip install tensorflow-metal
# pytorch
pip3 install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cpu
- 经过测试 Python3.8.x 版本兼容性远胜 Python3.9.x 其中 numpy torch tenseflow sklearn 能够同时在一个环境工作,目前仅 tenseflow 可以调用 Apple Gpu 进行深度学习但效率低于 RTX 3070(该结论截止至2021年12月25日仍有效)
- Pytorch 1.13 已支持调用 M1 处理器的 GPU
- 经过测试在 16G Macbook 运行相同算法模型 tensorflow 效率约为 1660super 四分之一,GPU 可吃满单 CPU 负载不高,pytorch 则CPU 和 GPU 负载较为均衡效率约为 1660super 三分之一,两者均有优化空间
常用命令
- 环境命令
'''
MAC环境命令
man command,查看命令的用法
open ~/.bash_profile,外部打开环境变量
sudo vi ~/.bash_profile,打开环境变量
source ~/.bash_profile,激活环境变量更新命令
conda update conda,先把conda更新到最新版
conda update anaconda,把anaconda更新到最新版
conda update --all,自定义配置环境也更新到最新版
python -m pip install --upgrade pip,更新pip查看当前存在的虚拟环境
conda env list
&
conda info -e创建激活删除虚拟环境
conda create -n 环境名 python=X.X
activate 环境名
conda env remove -n 环境名
deactivate,退出当前环境克隆旧环境名环境为新环境名
conda create --name 新环境名 --clone 旧环境
彻底删除旧环境
conda remove --name 旧环境 --all 查看可安装版本信息命令
conda search 任意库名 --info安装卸载库
pip install 任意库名conda install 任意库名conda install --use-local Windows绝对路径+任意库全称(事先下载好库的安装包.conda)conda install --offline Windows绝对路径+任意库全称(事先下载好库的安装包.tar.bz2)pip install Windows绝对路径+任意库全称(事先下载好库的安装包.whl)pip uninstall tensorflow-gpu(卸载库名) 添加通道
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
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/恢复默认
找到 C:**\pip\pip.ini(删除其中内容)
conda config --remove-key channels搜索时显示
conda config --set show_channel_urls yes查看信息
conda info查看已安装的包
conda list
'''
- 通道命令
'''
阿里云
http://mirrors.aliyun.com/pypi/simple豆瓣
http://pypi.douban.com/simple清华大学
https://pypi.tuna.tsinghua.edu.cn/simple中国科学技术大学
http://pypi.mirrors.ustc.edu.cn/simple特定通道安装举例
pip install numpy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com安装包的网址=通道+库名
http://mirrors.aliyun.com/pypi/simple/tensorflow-gpu/或特定网址
https://download.pytorch.org/whl/torch_stable.html
'''
举例
1. Tensorflow为GPU版本,Pytorch为CPU版本
2. 以下各库经验证互相兼容
首先,创建项目环境
conda create -n 环境名 python=X.X
# 例如
conda create -n Cu110Py38 python=3.8
其次,并激活它
conda activate 环境名
# 例如
conda activate Cu110Py38
最后,下载项目环境所需的安装包并安装
搜索下载地址
# 搜索
conda search cudatoolkit --info
conda search cudnn --info
下载的安装包
# 安装
1, conda install --use-local Y:\Downloads\Cu113Py38\cudatoolkit-11.3.1-h59b6b97_2.conda
2, conda install --use-local Y:\Downloads\Cu113Py38\cudnn-8.2.1-cuda11.3_0.conda
3, pip install Y:\Downloads\Cu113Py38\torch-1.10.1+cu113-cp38-cp38-win_amd64.whl
2, pip install Y:\Downloads\Cu113Py38\torchaudio-0.10.1+cu113-cp38-cp38-win_amd64.whl
5, pip install Y:\Downloads\Cu113Py38\torchvision-0.11.1+cu113-cp38-cp38-win_amd64.whl
...
...
...
可行的配置
Name Versionpython 3.6.12
cudatoolkit 8.0
cudnn 6.0
tensorflow-gpu 1.4.0
keras 2.1.2
torch 1.1.0
torchvision 0.3.0
numpy 1.16.0
matplotlib 2.1.2
h5py 2.10.0
pip 20.3.3
- Tensorflow 早期的可互相兼容的版本
运行的结果
Python深度学习环境配置全流程相关推荐
- 双系统Ubuntu22.04深度学习环境配置与踩坑记录
双系统Ubuntu22.04深度学习环境配置踩坑记录 前言 目录 相关版本 主要参考教程 Ubuntu安装 Nvidia和CUDA安装 踩坑经历 官网安装所遇问题 cuDNN安装 Anaconda安装 ...
- 史上最全深度学习环境配置教程---适用于各种深度学习框架---Pytorh TensorFlow Keras-等和各种python环境
鉴于我之前学深度学习,图像处理的时候走了很多弯路踩了很多坑的情况(其实主要是最近不想学习,想水一期博客),决定出一期深度学习环境配置的教程,因为我之前配置opencv的环境,TensorFlow的环境 ...
- 深度学习环境配置指南!(Windows、Mac、Ubuntu全讲解)
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:伍天舟.马曾欧.陈信达 入门深度学习,很多人经历了从入门到放弃的心 ...
- 【深度学习】相当全面的深度学习环境配置指南!(Windows、Mac、Ubuntu全讲解)...
作者:伍天舟.马曾欧.陈信达 入门深度学习,很多人经历了从入门到放弃的心酸历程,且千军万马倒在了入门第一道关卡:环境配置问题.俗话说,环境配不对,学习两行泪. 如果你正在面临配置环境的痛苦,不管你是W ...
- 保姆级教程:深度学习环境配置指南!(Windows、Mac、Ubuntu全讲解)
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 入门深度学习,很多人经历了从入门到放弃的心酸历程,且千军万马倒在了 ...
- Nvidia TX2 刷机+深度学习环境配置(cuda 8.0+python 3.5+opencv 3.4+tensorflow 1.4.1+keras+pip3)
配置说明 一.刷机/重装系统 二.环境配置 三.参考 一.刷机/重装系统(系统损坏时可按以下步骤重装系统) 1)刷机之前的准备 (1)装有ubuntu16.04的电脑(主机),因为我们要安装的JetP ...
- 深度学习环境配置指南:Pytorch、TensorFlow、Keras
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者丨Yukyin@知乎 来源丨https://zhuanlan.z ...
- Docker教程-深度学习环境配置
最近在知乎上刷到一篇文章,标题很有意思叫<Docker,救你于「深度学习环境配置」的苦海>,感兴趣的可以去搜一下.那篇文章主要针对的是一个目前深度学习研究者的痛点:深度学习环境的配置.我在 ...
- 深度学习环境配置(GPU、CPU版本)
一.Anaconda安装 1.介绍 Anaconda是一个开源的Python发行版本,用来管理Python相关的包,安装Anaconda可以很方便的切换不同的环境,使用不同的深度学习框架开发项目,本文 ...
- 基于Ubuntu 18.04机器人操作系统环境和深度学习环境配置
基于Ubuntu 18.04机器人操作系统环境和深度学习环境配置详解 CUDA+Cudnn+ROS+anaconda+ubuntu装机必备 笔记本双系统安装 U盘启动项安装ubuntu18.04.1 ...
最新文章
- 婚纱摄影小程序能带来订单吗?小程序如何做营销?
- 教你修改Linux下高并发socket最大连接数所受的各种限制
- 设计模式 - Mediator
- 继Science发文后,Nature也发文评论曹雪涛“误用图片”调查结果
- 【图像处理】透视变换 Perspective Transformation(含续加部分)
- 宫崎峻《となりのトトロ》(龙猫)全剧本(中日对照)(2)
- SpringMVC使用CommonsMultipartResolver上传文件
- 免费股票数据接口api接口应该如何区分?
- stvd使用c语言编程,stm8编程tips(stvd)
- Win10 Edge浏览器如何截网页长图
- 什么是网络爬虫?有哪些作用?如何构建?
- python进阶day13
- 解决Chrome浏览器“隐私设置错误,您的链接不是私密连接”
- 0基础学前端开发,CSS盒子模型居中方法
- Basler相机外部触发设置(Halcon)
- 如何将电脑文件自动备份到u盘?
- BIM模型轻量化的方法总结
- Guns 第4节 用Guns开发
- 献给30岁之前为前途迷茫彷徨的男人们的忠告
- Android JSON原生解析的几种思路,以号码归属地,笑话大全,天气预报为例演示
热门文章
- 基于Xamarin移动测试云测试你的Android/iOS移动应用
- 【转载】别了,摩托罗拉(十一):小高尔文“新政”
- WAVE-U-NET: A MULTI-SCALE NEURAL NETWORK FOR END-TO-END AUDIO SOURCE SEPARATION
- Windows 10 系统下配置java的classpath
- 浅谈如何使用Redis实现分布式锁
- 一纬度横直线等于多公里_高中物理必修一、必修二知识点提纲,暑期预习必备...
- VS2010打开VS2013、VS2015建立的工程,各种版本之间转换
- 道路矢量数据下载教程
- android 车牌识别 开源,在android上的车牌识别
- SIGIR‘22 推荐系统论文之对比学习篇