Annuaire d'articles
Deuxièmement, l'installation d'Anaconda
3. Déterminer le modèle GPU de l'ordinateur
4. Déterminez la version appropriée de CUDA à installer
5. Créez un environnement virtuel et installez le package d'installation requis
6. Téléchargez PyCharm et importez l'environnement PyTorch
avant-propos
L'utilisation la plus courante des environnements d'apprentissage en profondeur est la coopération entre Anaconda et PyCharm
Emphase : Pas besoin de télécharger des packs de langue Python supplémentaires
Récemment, pour effectuer une formation à l'algorithme de segmentation d'image via un réseau de neurones, il est nécessaire de créer la version GPU de PyTorch dans le système Windows. Le GPU existant est NVIDIA GeForce RTX 2060 SUPER.
L'ère de l'intelligence artificielle est arrivée, et l'intelligence artificielle apportera une accélération dans divers domaines !
1. Qu'est-ce qu'Anaconda ?
Le processus de formation modèle d'apprentissage en profondeur est comme la cuisine. Comme nous le savons tous, les couteaux, les ustensiles et les vêtements utilisés dans la cuisine chinoise, la cuisine occidentale et la cuisine japonaise doivent être différents.S'il y a différentes pièces avec différents environnements de cuisson, cela doit être pratique pour le chef. Anaconda est utilisé pour organiser différents environnements d'apprentissage en profondeur. Vous pouvez considérer Anaconda comme composé de petites pièces.
Deuxièmement, l'installation d'Anaconda
Cliquez pour télécharger: téléchargement du site officiel d'anaconda
Python3.9 dans l'image ci-dessus fait référence à l'Anaconda qui sera téléchargé, et la version la plus élevée de Python3.9 peut être installée dans sa petite pièce.
Cliquez ensuite sur Télécharger
Téléchargement terminé
Double-cliquez pour ouvrir et cliquez sur Suivant jusqu'à ce que vous sélectionniez l'adresse enregistrée, de préférence un lecteur non-C
Après cela, cliquez sur Suivant
La première flèche dans la figure ci-dessus signifie ajouter Anaconda aux variables d'environnement de l'ordinateur, et il est recommandé de le vérifier ici. Parce qu'il peut être utilisé plus tard, comme l'utilisation de pyqt pour le développement d'interface.
La deuxième flèche est facultative et a peu d'effet.
Cliquez ensuite sur installer et l'installation réussira à l'étape suivante.
Le contenu ci-dessus se trouve dans le menu Démarrer. Cela signifie qu'Anacond est installé avec succès.
Une fois Anacond installé avec succès, vous disposez déjà d'une petite pièce et d'un outil conda. Le numéro de maison de la petite pièce s'appelle base, qui contient déjà le langage Python et certaines bibliothèques Python couramment utilisées. Conda et Anaconda sont différents. Anaconda est un grand entrepôt, et de nombreuses petites pièces peuvent être créées dans le grand entrepôt. Conda est comme un petit chariot, qui peut transporter les outils nécessaires dans chaque petite pièce, et peut également transporter les outils à l'intérieur.
Nous pouvons également utiliser le petit outil conda pour créer une petite pièce dans le grand entrepôt, lui donner un nom de maison différent, puis transporter des objets dans la nouvelle pièce.
3. Déterminer le modèle GPU de l'ordinateur
Ouvrez le gestionnaire de tâches et recherchez le numéro de modèle du GPU. La mienne est NVIDIA GeForce RTX 2060 SUPER
Si vous êtes sûr que le GPU a été installé sur votre ordinateur mais que le gestionnaire de tâches ne l'affiche pas, il est probable que le pilote du GPU ne soit pas installé. Il est recommandé d'utiliser ici le maître du pilote 360. Après le téléchargement et l'ouverture, cliquez sur Diagnostic et il détectera automatiquement que le pilote n'est pas installé, cliquez simplement sur Installer.
4. Déterminez la version appropriée de CUDA à installer
CUDA est une plate-forme informatique lancée par le fabricant de cartes graphiques NVIDIA . Il s'agit d'une sorte de calcul d'architecture. Ce n'est que grâce à CUDA que le GPU peut être appelé pour résoudre des problèmes complexes de calcul parallèle. Étant donné que CUDA est lancé par NVIDIA, CUDA ne convient qu'aux cartes graphiques NVIDIA.
Lorsque le pilote GPU est installé, le pilote Cuda sera également installé. Le pilote Cuda et le runtime Cuda doivent être distingués. Le pilote Cuda dans le pilote peut être considéré comme cuda matériel, et le runtime Cuda dans la figure ci-dessus peut être considéré comme cuda logiciel. Cuda runtime est la plate-forme informatique CUDA que nous voulons installer. Le modèle d'apprentissage en profondeur appelle le cuda matériel sur le cuda logiciel, puis contrôle le GPU pour effectuer des opérations de traitement graphique.
Recherchez Anaconda Prompt (anaconda) dans le menu Démarrer et ouvrez-le.
Tapez nvidia-smi et appuyez sur Entrée.
La version CUDA ici : 12.0 est la version du pilote Cuda. Et la version de la plate-forme informatique CUDA que nous voulons réinstaller doit satisfaire la version d'exécution de Cuda ≤ la version du pilote Cuda.
Une fois qu'un certain type de matériel GPU est produit, il a une certaine puissance de calcul, qui est un attribut en soi et une valeur fixe.
D'après le tableau de puissance de calcul CUDA ci-dessous, nous avons constaté que la puissance de calcul GPU est de 7,5 selon GeForce RTX 2060 SUPER, et l'architecture est Turing.
Dans la figure ci-dessus, la version CUDA SDK10.0-10.2 correspond à la version d'exécution Cuda 10.0-10.2, la capacité informatique 3.0-7.5 signifie la puissance de calcul 3.0-7.5 et Turing est inclus entre parenthèses, indiquant que la version d'exécution Cuda 10.0-10.2 prend en charge la puissance de calcul 3.0-7.5, et c'est un GPU structuré Turing.
Pour installer une version d'exécution Cuda appropriée, il est nécessaire de satisfaire la version d'exécution Cuda ≤ la version du pilote Cuda
La plage de versions du SDK CUDA qui prend en charge la puissance de calcul 7.5 est 10.0-12.0, et ma version du pilote Cuda = 12.0, car 10.0-12.0 ≤ 12.0, la version d'exécution Cuda qui correspond à mon GPU est 10.0-12.0. (Si ma version de Cuda Drive = 11.5, alors ma version de CUDA est 10.0-11.5)
5. Créez un environnement virtuel et installez le package d'installation requis
Ouvrez à nouveau l'invite Anaconda (anaconda), entrez la commande suivante et appuyez sur Entrée
conda create -n pytorch02 python=3.8Créez une nouvelle pièce avec la voiture conda, la pièce s'appelle pytorch02 et le langage python utilisé dans la pièce est la version 3.8. (Il est recommandé que la version python sélectionnée ≥ 3.7)
Passez ensuite aux étapes ci-dessus, entrez y et appuyez sur Entrée.
done : Indique que l'environnement est créé.
On peut également comprendre qu'il s'agit d'une petite pièce avec le numéro de maison pytorch02 et quelques outils de base à l'intérieur. À l'heure actuelle, le numéro de maison s'appelle uniquement pytorch02 et la boîte à outils utilisée par pytorch n'a pas été transportée par la voiture conda. C'est-à-dire que vous pouvez également envoyer des kits de pagaie à l'intérieur maintenant, et cette pièce peut être utilisée comme environnement de pagaie. Comme le langage python3.8 y est configuré, le gadget pip fourni avec python peut également être utilisé, et pip et conda sont identiques.
Entrez ensuite la commande suivante pour activer l'environnement et entrez dans cet environnement.
conda activate pytorch02
On peut voir que l'environnement de base a été basculé vers l'environnement pytorch02.
Ensuite, nous utilisons la voiture conda pour installer les kits d'outils pytorch, torchvision, torchaudio et autres que pytorch doit utiliser dans l'environnement pytorch02.
Cliquez sur le site officiel de pytorch pour accéder à la boîte à outils de téléchargement. site officiel de pytorche
Après avoir entré, cliquez sur installer
La version de CUDA ici correspond à la version d'exécution de Cuda.Je sais déjà que la plage de CUDA qui me correspond est 10.0-12.0, donc je choisis la version CUDA11.7 ici, et j'essaie de choisir une version supérieure dans la plage.
Après cela, entrez la commande à droite de Exécuter cette commande : ci-dessus dans l'environnement pytorch02 pour télécharger pytorch et d'autres kits d'outils. code afficher comme ci-dessous:
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidiaEntrez le code ci-dessus et appuyez sur Entrée.
Dans les informations demandées, vous pouvez trouver les pytorch, torchvision, torchaudio et cudatoolkit correspondants. Notez que leur version devrait être 11.7, et ils ont tous cuda11.7 ou cu117 attaché.
Entrez ensuite y après continue([y]/n) ? et appuyez sur Entrée.
done indique que l'installation a réussi.
Entrez python et appuyez sur Entrée pour entrer dans l'environnement. Le >>> devant indique que l'entrée est réussie.
Ensuite, entrez la torche d'importation et appuyez sur Entrée
Entrez ensuite torch.cuda.is_available() et appuyez sur Entrée. Si True s'affiche, cela signifie que l'environnement de version GPU de pytorch a été créé avec succès !
Mon installation a pris environ 20 minutes. Si vous utilisez cette méthode pour installer trop lentement ou ne parvenez pas à télécharger, il peut s'agir d'un problème de réseau. Vous pouvez essayer de le télécharger via pip, trouver la commande comme indiqué dans la figure ci-dessous et la saisir dans l'environnement pytorch02.
Si les deux méthodes ci-dessus échouent, vous pouvez essayer de télécharger d'autres versions de CUDA, tant qu'elles se trouvent dans votre propre plage de versions, la mienne étant de 10.0 à 12.0. Les versions précédentes sont dans les versions précédentes de PyTorch.
Étant donné que la méthode ci-dessus nécessite une connexion au serveur à l'étranger, la vitesse de téléchargement sera très lente ou instable. Nous pouvons également utiliser l'adresse miroir de l'Université Tsinghua pour télécharger. À partir de la commande ci-dessus, nous savons que nous devons télécharger quatre boîtes à outils : pytorch, torchvision, torchaudio et cudatoolkit (remplacez pytorch-cuda par cudatoolkit).
Ajoutez d'abord le canal source miroir Tsinghua
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/Après cela, installez la boîte à outils. Parce que la version cudatoolkit=11.7 est trop récente, la source de l'image ne sera pas mise à jour à temps et l'installation échouera, donc le numéro de version n'est pas ajouté ici.
conda install pytorch torchvision torchaudio cudatoolkit
Cependant, plusieurs kits d'outils téléchargés via la source d'image Tsinghua sont tous des versions CPU. Pour savoir comment passer aux versions GPU, veuillez vous référer à l'article suivant.
Remplacez la boîte à outils de la version CPU par la version GPU
La méthode de vérification d'une installation réussie est la même que ci-dessus.
6. Téléchargez PyCharm et importez l'environnement PyTorch
Cliquez pour entrer sur le site officiel de PyChram. Site officiel de PyCharm
cliquez sur TÉLÉCHARGER
Téléchargez la version communautaire pour Windows.
Pendant le processus d'installation, vous pouvez mettre le chemin d'installation sur le lecteur non-C, et cet endroit doit être coché.
Que vous créiez un projet vous-même ou que vous ouvriez le projet de quelqu'un d'autre, la méthode d'utilisation de l'environnement créé via PyCharm est la même. Je suis ici en téléchargeant le projet pytorch-mask-rcnn-master de quelqu'un d'autre comme exemple.
Cliquez sur Fichier -> Paramètres à son tour
Trouvez votre propre nom de projet et cliquez sur Projet : pytorch-mask-rcnn-master—>Python Interpreter
Cliquez ensuite sur les étapes 1 et 2 à tour de rôle
Continuer au point 1, 2
Mon chemin d'environnement est D:\soft\anaconda\envs\pytorch02. Trouvez python.exe dans pytorch02, sélectionnez et cliquez sur OK
cliquez sur OK
Points 1 et 2, l'environnement pytorch02 est appliqué avec succès.
Il y aura un indice de Python 3.8 (pytorch02) dans le coin inférieur droit de la page d'édition.
Encore une chose, l'idée de configuration de l'environnement cpu de Deep Learning PyTorch est similaire à ce qui précède, et les commandes des pages suivantes peuvent être utilisées.
Résumé
Ce qui précède est le contenu de cet article Cet article présente en détail l'installation de l'environnement de version GPU et CPU de PyTorch. PyTorch est facile à démarrer, et c'est un cadre assez simple, efficace et rapide. La conception est conforme à la pensée humaine, permettant aux utilisateurs de se concentrer autant que possible sur la réalisation de leurs propres idées.