文章目录
前言
随着人工智能的不断发展，使用GPU加速可以显著提高PyTorch深度学习任务的训练和推理速度，很多新手第一次接触到人工智能，在安装torch相关环境的时候，看到了网上各种教程，又是驱动，又是环境变量，又是cuda版本，弄了半天，自己都不知道弄的啥。博主作为一个科研指导老师，深知学生的痛点，我的建议是直接用conda来安装gpu版本的torch，让conda自动管理cuda相关依赖软件，仅需几个指令既可解决问题。本教程将引导您完成使用conda包管理器安装PyTorch GPU版本的过程。通过按照本教程的步骤进行操作，您将能够顺利安装并配置PyTorch GPU版本，以便在深度学习任务中充分利用GPU的计算能力。让我们开始吧！
一、PyTorch简介
PyTorch是一个基于Python的开源机器学习框架，它提供了用于构建动态计算图的强大工具和灵活的高级API。它由Facebook的人工智能研究团队开发，并且在学术界和工业界都有广泛的应用。
以下是PyTorch的一些主要特点和优势：
-
动态计算图：PyTorch使用动态计算图的方式进行模型训练和推理，这意味着计算图是根据实际运行时的数据来构建的。这种方式使得模型的构建更加灵活，并且可以采用类似Python编程的自然而直观的方式定义和修改模型结构。
-
灵活性和易用性：PyTorch提供了丰富而直观的API，使得模型的定义、训练和推理都变得非常简单。它支持动态图和静态图两种模式，可以根据用户的需求选择适合的方式进行开发。
-
大型社区支持：PyTorch拥有庞大的用户社区，社区成员之间分享了大量的教程、代码示例和最佳实践，对于学习和解决问题非常有帮助。此外，许多研究机构和工业公司都在使用和贡献PyTorch，使得框架的发展和更新非常活跃。
-
具有强大的计算能力：PyTorch基于底层的C++库Torch，提供了高效的数值计算和矩阵操作。它还支持GPU加速，可以利用GPU的并行计算能力来加速模型训练和推理。
-
广泛的应用领域：PyTorch在各种机器学习任务中都得到了广泛的应用，包括图像分类、目标检测、自然语言处理、语音识别等。它还可以与其他深度学习框架和库进行无缝集成，如NumPy、SciPy和OpenCV等。
二、安装步骤
1.查看驱动版本
打开windows终端，执行nvidia-smi指令
nvdia-smi
执行成功，输出
从上面的图可以得出，博主电脑主机的英伟达驱动版本是516.94，CUDA版本最高支持到11.7，这个信息很重要，即本机最高支持的CUDA版本是11.7
2.安装Anaconda软件环境
这一步参考博主写的教程Anaconda3与PyCharm安装配置保姆教程
3.创建一个conda虚拟机环境
这一步参考博主写的教程conda常用命令使用教程
conda create -n torch_v2.0_gpu python=3.8
上面这个指令的意思是创建一个名称为torch_v2.0_gpu 的虚拟机环境，python版本是3.8
默认输入y来确定安装，然后conda会自动下载安装相关依赖，完成虚拟机环境的创建
4.安装PyTorch
4.1 打开torch的官网
4.2 选择配置进行安装
当我们到达Get Start页面，选择上图所示的版本，如博主主机配置选择如下表所示
| 选项 | 配置 |
|---|---|
| PyTorch Build | Stable(2.0.1) |
| Your OS | Windows |
| Package | Conda |
| Language | Python |
| Compute Platform | CUDA 11.7 |
选定好了配置后，会生成conda的安装指令
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
激活torch_v2.0_gpu虚拟机环境
conda activate torch_v2.0_gpu
执行上述torch的conda gpu安装指令
默认输入y来确定安装，然后conda会自动下载安装相关依赖，完成torch gpu相关环境的安装
4.3 测试gpu是否成功
首先在python里检查，也是大家用的最多的方式，检查GPU是否可用
(torch_v2.0_gpu) C:\Users\tanggt>python
Python 3.8.16 (default, Jun 12 2023, 21:00:42) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> torch.cuda.is_available()
True
>>>
测试cpu与gpu性能对比
import time
import torch
# 测试gpu计算耗时
A = torch.ones(5000, 5000).to('cuda')
B = torch.ones(5000, 5000).to('cuda')
startTime2 = time.time()
for i in range(100):
C = torch.matmul(A, B)
endTime2 = time.time()
print('gpu计算总时长:', round((endTime2 - startTime2) * 1000, 2), 'ms')
# 测试cpu计算耗时
A = torch.ones(5000, 5000)
B = torch.ones(5000, 5000)
startTime1 = time.time()
for i in range(100):
C = torch.matmul(A, B)
endTime1 = time.time()
print('cpu计算总时长:', round((endTime1 - startTime1) * 1000, 2), 'ms')
运行上述程序结果如下：
gpu计算总时长:3396.14 ms
cpu计算总时长:96365.98 ms
cpu与gpu运行的性能参数截图如下
结束语
由于博主能力有限，本篇文章中提及的方法，也难免会有疏漏之处，希望您能热心指出其中的错误，以便下次修改时能以一个更完美更严谨的样子，呈现在大家面前。