基于B站小土堆和网上各种安装教程的PyTorch安装笔记

基于B站小土堆和网上各种安装教程，再利用AI局部答疑解惑，梳理写成了这篇笔记，方便自己以后回看。如果你安装配置 PyTorch 出现了问题，可以来看看这篇笔记，说不定可以帮助到你哦~

前言（简单说一下各个软件之间的关系）

Anaconda 给我们提供虚拟环境，我们可以创建多个虚拟环境，在不同的虚拟环境中放不同版本的 Python 包。创建虚拟环境的同时，我们需要指定 Python 解释器的版本，创建好虚拟环境的同时，实际上也把 Python 安装好了。（不用单独安装一次 Python 了）

• conda 和 pip 的包

  • Anaconda 它自动会有。
  • conda 和 pip 是管理工具，用来安装新的包，比如用 conda 和 pip 来安装 PyTorch、TensorFlow 等。

• 如果安装 PyTorch 的 GPU 版本

  • 想要计算机识别 GPU，就要给计算机装一个驱动，跟驱动绑定的有一个 CUDA Driver。
  • 我们想把 Python 中关于深度学习的一些计算交给 GPU 的话，还需要在虚拟环境中装一个 CUDA。（理解成一个库/包）

• 安装 PyTorch 后

  • 我们还要装一个 PyCharm（写代码的软件）。
  • 安装好 PyCharm 后，给它配置一些配置，告诉它运行 Python 代码的时候需要通过配置用到对应的虚拟环境。
  • 用虚拟环境中的 Python 解释器把代码解读运行起来。

• Python 解释器的作用

  • 会把用到的比如库或者包（库也叫包，别人分享的工具或者模版，比如 PyTorch）导入进来，包返回相应的一些代码告诉 CPU，CPU 执行代码。
  • 如果 CPU 发现有代码需要放到 GPU 上运行，CPU 就会发送一些指令把一部分数据发送给驱动，进一步发送给（Python 解释器会调用 CUDA 的一些包将代码放到 GPU 上）GPU 让它运行起来。

安装 PyTorch 其实就是安装 Python 的一些包，这些包适用于深度学习。

• conda 创建虚拟环境时
  • 会利用环境的配置去一些地方下载一些包、文件。
  • 在后面安装 PyTorch 的时候也会去下载一些包。

Windows 下判断有无 NVIDIA GPU（英伟达）

GPU 可以加速深度学习模型训练，有没有 GPU，关系到深度学习的环境配置步骤。有条件的话尽量配置 GPU 版本，没有也没有关系，可以去配置 CPU 版本，只是速度会慢。

• 查看电脑上是否有 GPU
  • 右键电脑底部任务栏，找到——任务管理器 > 性能。
  • 如图存在 GPU X（下面有 NVIDIA 字样），则说明有 NVIDIA GPU。
  • 如果所有 GPU 下面均无 NVIDIA 字样，说明电脑没有 NVIDIA GPU，就去安装 CPU 版本吧。

例外情况 1（较小概率）

如果确定自己电脑是有 GPU 的，但是按照上述方法，在任务管理器里找不到 GPU。那么有可能是没有安装显卡驱动。那就下个驱动软件，比如驱动精灵之类的把驱动安装一下。

GPU 版本 Anaconda 的下载、安装（是否需要配置）

下载

• Anaconda 各版本下载网址
  • 整理于（2024 年 7 月中旬）。
  • 大多时候直接下最新版本即可，可支持的 Python 版本多。
  • 需要历史版本就去下面整理好的历史网址下载。

官网网速就挺好，慢的话复制粘贴下载网址到迅雷帮助提速。

• 最新版本官网下载网址：https://www.anaconda.com/download/

跳过注册即可。

• 历史版本官网下载网址 1：https://docs.anaconda.com/anaconda/allpkglists/
• 历史版本官网下载网址 2：https://docs.anaconda.com/

通过上图标记的地方，你最终点击 Anaconda installer archive 进入最终下载页面——

之所以上面给一堆网址而不是直接给最终下载页面的网址 3，是因为它经常挂掉，但是也记录下来吧

• 历史版本官网下载网址 3（常挂）：https://repo.anaconda.com/archive/
  • 找你需要的版本下载即可。

安装

• 点击“Next”——

• 点击“I agree”——

• 点击随便哪一个都行，然后“Next”——

• 注意路径要全英文
  • 随便装在哪里，我没有分盘，所以啥都往 C 盘装——

• 第二个最好别勾，容易出问题，装好以后我们自己手动配置环境——

• 等吧，挺快的——

• 点击“Next”——

• 再点击“Next”——

这俩框都别勾，“Finish”，安装结束——

检查 Anaconda 是否安装成功

法一

• 双击 Anaconda 桌面快捷方式打开软件，在 Environments 中看有没有 base（root）基础虚拟环境。

法二

• “Win+R” > cmd，进入操作系统的终端界面。
  • 查看 Python 版本，输入

python --version

• 查看当前 conda 环境中所有已经安装的软件包——

conda list

运行如图——

• 查看 conda 版本，输入——

conda --version

法三

• 在应用栏搜索 anaconda prompt，看有没有这两个应用。
  • 随便点一个。

• 看有没有 base（root）基础虚拟环境。

配置环境变量

• 打开“高级系统设置 > 环境变量”

• 在 path 中添加路径变量——

• 如图添加这 5 个路径——

• 添加完成！

CUDA 的准备工作 + CUDA Toolkit + CUDNN

CUDA Driver Version、CUDA Runtime Version 都是什么东西？

• 关系是什么？
  • 显卡是硬件，想被计算机识别要依靠显卡驱动。
  • 显卡驱动自带 cuda driver，（安装驱动的同时，cuda driver 也会被安装好。cuda 是可以让显卡进行并行运算的平台/工具/包/库）。
  • cuda runtime 在虚拟环境里面。

三者必须相互匹配，PyTorch 的 GPU 版本才能运用。（PyTorch 用 cuda runtime 调用 cuda driver，进而去操控显卡进行并行计算）

确定自己的显卡算力

确定自己的显卡型号

• 确定哪些 CUDA Runtime Version 支持显卡对应的算力。
• 确保自己的 CUDA Driver 版本：
  • CUDA Driver Version ≥ PyTorch 的 CUDA Runtime 版本 > 显卡对应的算力。

具体步骤

1. 硬件显卡算力是固定的

   • 一般我们装显卡驱动的最高版本，驱动安装好以后，记下大概是多少。

2. 打开 PyTorch 官网

   • 选择小于显卡驱动的 CUDA Runtime 版本（并保证 CUDA Runtime 版本支持显卡算力）进行安装就可以了。

建议安装显卡驱动最高或者比较高的版本，一方面可以使用更高版本 CUDA，更加充分利用 GPU，另一方面就是后面安装不容易出现问题。

如果不想安装显卡驱动

• 在虚拟环境里或者打开命令行输入如下命令：

nvidia-smi

• 要是显示非外部命令，那就老老实实去装高版本的显卡驱动吧。

确定显卡型号以及显卡驱动版本

• 方法很多

我的显卡型号是 NVIDIA GeForce RTX 4060 8GB

注意

由于内容篇幅限制，总段落优化后未完全展示，后续段落可继续以 Markdown 的形式保持层级与图片引用规则进行处理。

原文转载自：https://mp.weixin.qq.com/s/x-pVfa7bQ_uNv0L56Jp-sQ