anaconda查看环境_快速搭建深度学习开发环境(以Pytorch为例)
工欲善其事必先利其器!这是CVHub公众号的第三篇原创文章,也是《学术小白也能看懂的学术进阶专栏》(计算机视觉方向)的第三篇文章!
导读
在跑实验的时候,不同的论文里面的代码可能用到运行环境是不一样的。如果我们对这些环境不加以区分,全部都使用一个环境,那么很容易会出现各种问题。因此,多环境隔离是十分重要的。常用的解决方法主要有以下几种:anaconda,venv, pyenv, pipenv 等等。其中笔者比较推荐使用 anaconda,因为其功能比较齐全且还提供可视化管理界面,对新手还是十分友好的。因此本文将以 anaconda 为例,从零开始完成深度学习环境的搭建。
本文环境:
显卡:GTX 1050
操作系统:win10,版本 2004
PyTorch 版本:V1.5.0
如果想详细了解 显卡-显卡驱动-CUDA版本-PyTorch版本 之间的关系,可以查阅文章《GPU-驱动-CUDA-PyTorch对应关系》(进入本公众号列表页即可查看)。
CUDA 安装
本文以 CUDA10.1 为例进行安装(其他版本的也是相同的安装步骤)。首先在安装之前我们可以看一下官方给出的 安装指引 (选读)。
https://docs.nvidia.com/cuda/archive/10.0/cuda-installation-guide-microsoft-windows/index.html
首先,我们在pytorch官网找到我们所需要的 Pytorch 版本所支持的 CUDA 版本,以 Pytorch1.5 为例,
https://pytorch.org/get-started/previous-versions/
# CUDA 9.2
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=9.2 -c
# CUDA 10.1
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.1 -c pytorch
# CUDA 10.2
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.2 -c pytorch
# CPU Only
conda install pytorch==1.5.0 torchvision==0.6.0 cpuonly -c pytorch
PyTorch1.5 支持的 CUDA 版本为 9.2,10.1 和 10.2。本文中我们选择使用 CUDA10.1。因此我们需要到 NVIDIA 官网去寻找对应的 CUDA 版本进行下载。下面的网址中包含了所有的 CUDA 版本,我们首先选择对应版本
https://developer.nvidia.com/cuda-toolkit-archive
进入之后,选择对应的操作系统,和安装类型就可以了。其中 exe(network)是下载器,exe(install)则是完整的安装文件,这里选择后者进行下载。
下载完成后我们直接打开安装文件进行安装。一开始弹出的路径不是安装路径,只是解压的暂存目录,直接选 ok 就可以了,然后等待解压完成。
这里我们选择自定义安装,默认全选。
如果出现 visual studio integration 安装失败,可以把这一项取消选择,因为我们没有使用 visual studio 创建 cuda project 的需求。
然后后面直接一直下一步就好了。如无意外,应该就能成功安装好了。这时候打开 cmd,输入:
nvcc -V
此时就能看到输出的版本信息:
但是为了使用 nvidia-smi 来查看我们的显卡状态,还需要添加一个环境变量。
nvidia-smi 的默认路径是 C:\Program Files\NVIDIA Corporation\NVSMI
把这个路径加入到 Path 环境变量中,就可以使用 nvidia-smi 了。
至此,我们的 CUDA 已经成功安装。
Anaconda 安装
有些教程在安装完 CUDA 之后还会选择安装 cudnn。由于 Anaconda 安装 Pytorch 环境时,会自动选择合适的 cudnn 版本进行安装,因此不需要我们额外安装一个 cudnn。首先我们去到 Anaconda官网 下载相应的版本。
https://www.anaconda.com/products/individual
笔者选择的是 64 位的 WIndows 版本。这里的 Python 版本都是 3.8,但是不用担心,我们安装完之后能够自由选择自己需要的 Python 版本。
下载完成之后,打开安装文件,接下来一路点击确认即可。这里把第一个添加到环境变量的选项也加进来,否则使用命令行操作的时候会很麻烦(当然你也可以选择界面操作,但是建议使用命令行,这样在 linux 中使用 anaconda 也会更加得心应手)。
安装完之后我们可以打开 cmd 输入 conda -V 测试一下是否安装成功。如果成功显示版本号,那么就 ok 了。我们首先创建一个新的环境:
conda create -n torch python=3.6
这一句命令可以创建一个名为 torch, 且 python 版本为 3.6 的环境。
输入 y 确定继续安装即可。然后我们使用以下命令进入我们刚才创建好的环境
conda activate torch
如果这是在命令行当前行左侧看到(torch)说明已经成功切换到 torch 这个环境。使用 list 命令即可查看当前环境中已经安装了什么库。
conda list
至此,我们已经完成了 Anaconda 的安装以及第一个环境的创建,接下来我们将会继续完成最后的一个部分:完成 Pytorch 的安装
PyTorch 安装
在安装之前,为了提高下载的速度,我们首先添加清华的源。在输入以下命令之后,我们即可成功添加清华源。
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
打开以下网站 ,找到对应的版本号进行安装,因为我们的cuda版本为10.1,因此我们的pytorch1.5 安装命令如下,记得在安装之前,确认好我们现处在conda 的 torch 环境下。
https://pytorch.org/get-started/previous-versions/
因为我们已经添加了清华的源,因此我们安装 pytorch 的命令如下所示,注意不要加上-c,否则还是会使用回 pytorch 的官方镜像源。
conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.1
等待片刻即可安装完成。我们输入 python 调用python 解释器,然后输入以下代码:
import torch
torch.__version__ # 查看版本号
torch.cuda.is_available() #查看 CUDA 是否可用
如无意外将会获得以下输出:
至此,我们深度学习开发环境至此就搭建完成了,欢迎交流。
后期会根据反馈情况,补充Unbuntu下深度学习环境配置文。
交流渠道
微信群(长按加入):
anaconda查看环境_快速搭建深度学习开发环境(以Pytorch为例)相关推荐
- WindowServer2012R2+Anoconda3.5.0.1+CUDA9.0+cuDNN7.1.3+Tensorflow-gpu1.6离线搭建深度学习开发环境
WindowServer2012R2+Anoconda3.5.0.1+CUDA9.0+cuDNN7.1.3+Tensorflow-gpu1.6离线搭建深度学习开发环境 关键词:Windows,Tens ...
- 手把手教你搭建深度学习开发环境(Tensorflow)
前段时间在阿里云买了一台服务器,准备部署网站,近期想玩一些深度学习项目,正好拿来用.TensorFlow官网的安装仅提及Ubuntu,但我的ECS操作系统是 CentOS 7.6 64位,搭建Pyth ...
- 【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 ...
- 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 ...
- 【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 ...
- 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 ...
- docker mysql 操作_[Docker] Docker 快速搭建本地MySQL开发环境
[Docker] Docker 快速搭建本地MySQL开发环境 关于 Docker 的安装使用本文不再赘述,有兴趣的可以通过官网或是浏览我的专栏文章了解.今天着重给大家介绍下如何利用Docker快速搭 ...
- 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 ...
- 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 ...
- 如何使用docker配置深度学习开发环境
文章目录 1.底层驱动的安装 1.1 操作系统的安装 1.2 显卡驱动的安装 1.3 cuda的安装 2.使用docker配置深度学习开发环境 2.1 docker的安装 2.2 nvidia_doc ...
最新文章
- C/C++结构体字节对齐详解
- 《Linux内核设计与实现》读书笔记(十)- 内核同步方法【转】
- C语言socket()函数解析(创建套接字)af地址族,ip地址类型(Address Family)INET(Inetnet)PF(Protocol Family)
- JQuery动态执行javascript代码的方法
- 【Gym - 101775J】Straight Master(差分,思维)
- python中list函数_list()函数以及Python中的示例
- 苹果发布iOS 13.6.1更新,iPhone不会再变绿了
- M3 Build6801 Discovery support Virtual Hard Disks
- Pandas系列(十五)stack和pivot实现数据透视
- Python与MongoDB的交互
- 拓端tecdat|python对NOAA天气数据格式转换
- 索爱最强大java手机_这几款索爱的手机哪款好啊?
- Kubernetes实战[2]: 服务发现机制与Cluster DNS的安装(无CA认证版)
- 前端html网站的发布过程
- 有什么合适个体商户及小微企业的入门级进销存管理软件?
- 图像去雾算法(二)基于暗通道先验算法学习笔记
- DOM案例练习-推荐几个DOM小案例练习有示例代码
- [SHOI 2008]小约翰的游戏
- 著名的斐波拉契数列(Fibonacci),除第一个和第二个数外,任意一个数都可由前两个数相加得到: 1, 1, 2, 3, 5, 8, 13, 21, 34, ...
- Yii 网页播放器扩展 yii-web-player
热门文章
- Spring中的两种AOP织入方式
- Java第十九天(字节流和字符流转换、打印流、Properties类)
- ACM-ICPC 2018 沈阳赛区网络预赛 B Call of Accepted(表达式求值)
- Tomcat6升级到Tomcat9
- IDE已破解,不用预热,马上进入「微信小程序」开发
- arcengine开发中遇到的错误汇总
- Day10(--JSP与JSP内置对象)
- 学用ASP.NET2.0
- (十一)ntp时间同步
- 开发者论坛一周精粹(第六期):阿里B2B研发管理难题如何应对?打造强有力的技术中台...