【深度学习】不用Conda在PP飞桨Al Studio三个步骤安装永久PyTorch环境

在 PaddlePaddle AI Studio 中使用 Python 虚拟环境安装 PyTorch

免责声明

在阅读和实践本文提供的内容之前，请注意以下免责声明：

侵权问题: 本文提供的信息仅供学习参考，不用做任何商业用途，如造成侵权，请私信我，我会立即删除，作者不对读者因使用本文所述方法而导致的任何损失或损害负责。
信息准确性: 本文提供的信息可能随时更改，作者不保证文中所述方法在未来的软件更新中仍然有效。
个人风险: 读者在按照本文提供的方法操作时，应该自行承担风险。作者不对读者因使用本文所述方法而导致的任何损失或损害负责。
软件兼容性: 本文中提到的软件版本和兼容性可能会受到变化。读者应该在实施前查看相关软件的官方文档，以确保使用的软件版本相互兼容。
个体差异: 不同的计算机环境、操作系统版本和其他因素可能导致实际操作效果有所不同。读者在实践中可能需要进行适当的调整。
建议备份: 在进行重要操作之前，建议读者备份其数据和设置，以防万一发生意外情况。
社区支持: 读者如果遇到问题，建议参考相关软件的官方社区或论坛，以获取更多帮助。

前言

在深度学习领域，选择适合自己项目需求的框架是至关重要的。PaddlePaddle AI Studio作为一款强大的深度学习开发平台，提供了丰富的硬件支持、模型库、实验管理和团队协作功能。然而，有时我们可能希望结合其他框架的优势，比如PyTorch。本文旨在指导你如何在PaddlePaddle AI Studio中安装PyTorch，以实现深度学习项目的灵活开发。

摘要

本文通过三个主要步骤，详细介绍了在PaddlePaddle AI Studio中安装PyTorch的过程。首先，我们深入了解了AI Studio的基础知识，包括其提供的丰富资源、实验管理功能和团队协作特点。接着，我们重点介绍了准备工作，确保读者能够熟练使用AI Studio的基本功能，并了解为何选择Python虚拟环境进行安装。随后，我们逐步引导读者创建和激活Python虚拟环境，并安装PyTorch框架。最后，考虑到网络条件，我们介绍了手动下载和安装PyTorch和TorchVision的方法。

通过本文的指导，读者将能够在PaddlePaddle AI Studio中顺利安装PyTorch，为深度学习项目的跨框架开发提供了实用的方法。

1. 引言

PaddlePaddle AI Studio 不仅为开发者提供了一体化的深度学习开发平台，还为用户提供了丰富的硬件资源、模型库以及协作工具。在某些情况下，我们可能需要在 AI Studio 中结合其他深度学习框架，比如 PyTorch，以充分发挥其优势。本文将详细指导你通过 Python 虚拟环境在 AI Studio 中安装 PyTorch。

配环境第4章开始，这里2、3介绍基础知识

2. PaddlePaddle AI Studio 基础知识

在使用 AI Studio 之前，让我们更深入地了解这个平台的基础知识：

2.1 什么是 PaddlePaddle AI Studio？

PaddlePaddle AI Studio 是一款由百度推出的深度学习开发平台，它汇聚了许多便于使用和学习的功能：

硬件支持: AI Studio 提供了强大的硬件支持，包括 GPU 加速，以加速深度学习任务。
模型库与预训练模型: AI Studio 内置了丰富的深度学习模型和预训练模型，使用户能够在各种任务上快速启动项目，并支持迁移学习。
Notebook 环境: AI Studio 集成了 Jupyter Notebook 环境，为用户提供了一个灵活且交互式的开发平台，适用于多种深度学习框架。
项目协作: AI Studio 支持多人协作，让团队成员能够轻松共享代码、数据和实验记录，促进项目的协同开发。

2.2 AI Studio 的特点

丰富的深度学习资源: 用户可以通过 AI Studio 访问丰富的深度学习资源，包括技术文档、教程和论坛，以便更好地理解和解决问题。
实验管理: AI Studio 提供了实验管理功能，用户可以方便地记录和管理不同实验的代码、参数和结果。

2.3 如何使用 AI Studio

项目创建与管理: 在 AI Studio 中，用户可以轻松创建新项目，添加所需的代码文件、数据和配置，以便更好地组织和管理深度学习任务。
Notebook 的使用: AI Studio 的 Notebook 环境支持多种深度学习框架，包括 PaddlePaddle 和 PyTorch。用户可以在云端进行代码编写、实验和模型训练。

2.4 AI Studio 中的实验管理

实验记录: 在 AI Studio 中，实验记录是项目的核心。用户可以记录每次实验的代码、参数设置和结果，从而更好地了解实验的进展和效果。
代码版本控制: AI Studio 提供代码版本控制功能，允许用户管理项目中不同版本的代码。这对于团队协作和追踪代码变更非常有帮助。
参数调优: AI Studio 支持通过实验进行参数调优。用户可以方便地调整不同的参数组合，并记录每次实验的性能指标，以便找到最佳的模型配置。
结果可视化: AI Studio 提供直观的结果可视化工具，使用户能够轻松地查看实验结果、绘制图表，并比较不同实验之间的性能差异。
资源监控: 在进行深度学习实验时，资源的监控是至关重要的。AI Studio 提供了对 GPU 和内存等资源的监控功能，帮助用户更好地了解实验运行的状态和性能。

2.5 AI Studio 中的学习资源

技术文档: AI Studio 提供详细而全面的技术文档，覆盖了平台的各个方面。用户可以在文档中找到使用教程、API 参考和最佳实践指南。
在线社区: AI Studio 的在线社区是用户之间交流的平台。用户可以在论坛上提问、分享经验，并得到来自社区的及时支持。
教程和示例: AI Studio 提供了丰富的教程和示例，涵盖了从入门到高级的各种主题。这些资源有助于用户更好地理解深度学习概念和实践技能。

通过深入了解这些方面，用户可以更全面地利用 PaddlePaddle AI Studio 的功能，从而更加高效地进行深度学习任务的开发和管理。

2.6 AI Studio 中的团队协作

团队项目管理: AI Studio 提供了便捷的团队项目管理功能，团队成员可以共同协作一个项目。这包括共享代码、数据和实验记录，使得整个团队能够更好地协同工作。
权限控制: 为了确保项目的安全性和隐私，AI Studio 允许项目拥有者设置不同团队成员的权限。这样，团队成员只能访问他们所需的项目资源，保障了项目的安全和保密性。
实时协作: 在 AI Studio 的 Notebook 环境中，多人可以实时协作编辑代码。这提高了团队协作的效率，使得成员之间能够更即时地共享思路和解决问题。

2.7 AI Studio 中的模型部署

模型导出与部署: AI Studio 不仅支持模型训练，还提供了简便的模型导出和部署功能。用户可以将训练好的模型轻松导出，并在不同的环境中进行部署，从而应用到实际生产中。
服务化部署: 通过 AI Studio，用户可以将训练好的模型以服务的形式进行部署，实现在线预测。这对于需要实时推理的应用场景非常有用。

2.8 AI Studio 中的学习路径

个性化学习推荐: AI Studio 根据用户的使用和学习历史，提供个性化的学习推荐。这使得用户能够更有针对性地学习新的深度学习技术和最佳实践。
在线培训和课程: AI Studio 还提供在线培训和课程，帮助用户更深入地了解深度学习领域的知识。这些资源有助于用户系统性地提升他们的技能水平。

通过深入了解上述内容，用户可以更好地掌握 PaddlePaddle AI Studio 的强大功能，从而更加高效地开展深度学习项目的各个阶段，包括团队协作、模型部署以及不断的学习与提升。

3. 准备工作

在你着手安装 PyTorch 之前，确保你已经熟悉 PaddlePaddle AI Studio 的基本使用，并理解为什么在这个平台上使用 Python 虚拟环境进行安装是一个明智的选择。以下是更详细的准备工作：

3.1 熟悉基本 AI Studio 操作

确保你能够熟练地使用 AI Studio 的基本功能，包括但不限于：

项目创建: 能够创建新的深度学习项目，并了解如何组织项目结构。
资源管理: 了解如何管理项目中的代码文件、数据集和实验记录。
Notebook 环境: 熟悉在 AI Studio 中使用 Jupyter Notebook 进行代码编写和实验的基本操作。

3.2 了解 Python 虚拟环境的优势

在 AI Studio 中安装 PyTorch 时，我们选择使用 Python 虚拟环境。确保你了解以下 Python 虚拟环境的优势：

隔离环境: Python 虚拟环境可以帮助你在项目之间隔离依赖关系，避免不同项目之间的冲突。
版本管理: 能够通过虚拟环境管理 Python 解释器和依赖库的版本，确保项目在不同环境中的一致性。
轻量级: 虚拟环境是轻量级的，不会污染全局 Python 环境，提高了项目的可维护性。

3.3 项目创建和资源管理

在开始安装 PyTorch 之前，确保你已经在 AI Studio 中创建了一个项目，并了解如何有效地管理项目的资源。包括：

代码管理: 了解如何上传、下载和管理项目中的代码文件。
数据集准备: 如果你的项目涉及使用数据集，确保数据集已经上传到 AI Studio，并了解如何在项目中引用这些数据。
实验记录: 熟悉如何记录和管理不同实验的代码、参数和结果。这对于追踪实验进展和比较不同模型配置的性能非常重要。

通过这些准备工作，你将更有信心和效率地进行后续的 PyTorch 安装和实验操作。

4. 创建激活 Python 虚拟环境

使用 Python 的 venv 模块可以轻松地创建虚拟环境。点加号打开 AI Studio 的终端，执行以下命令：

bash 复制代码

python -m venv venv

这将在当前目录下创建一个名为 venv 的虚拟环境，我们的torch环境也会一直保持在这个文件夹中

激活虚拟环境。

bash 复制代码

source venv/bin/activate

5. 安装 PyTorch

在激活的虚拟环境中，使用 pip 安装 PyTorch：

bash 复制代码

pip install torch

这将下载并安装最新版本的 PyTorch，这里的torch不可以使用gpu，这一步是为了确定当前实例的python和cuda版本

python 复制代码

pip list

这样的就是cu121,我还遇到了cuda117版本的

6. 找到对应torch/torchvision.whl下载后上传安装，pip直接装很慢

cu121
https://download.pytorch.org/whl/cu121

cu117
https://download.pytorch.org/whl/cu117

注意python版本和cuda版本必须保持一致下载linux_x86_64.whl版本的，然后pip直接装
不一定是python310,也不一定是cu121

比如

bash 复制代码

pip install torch-2.1.1+cu121-cp310-cp310-linux_x86_64.whl
pip install torchvision-0.16.1+cu121-cp310-cp310-linux_x86_64.whl

你一定要pip直接装的话就这样，torch和torchvision版本可与你上面第一次装保持一致

bash 复制代码

pip install torch==2.1.1+cu121  -f https://download.pytorch.org/whl/torch_stable.html

7. 参考文献

总结

通过本文的介绍，我们深入了解了PaddlePaddle AI Studio的基础知识，包括其在硬件支持、实验管理和团队协作方面的强大功能。同时，我们提供了在AI Studio中安装PyTorch的详细步骤，帮助读者灵活运用不同深度学习框架的优势。强调了准备工作的重要性，以确保项目的顺利进行。最后，我们还介绍了手动下载和安装PyTorch和TorchVision的方法，以应对网络环境的挑战。

希望本文的内容能够帮助读者更好地利用PaddlePaddle AI Studio的功能，实现高效的深度学习项目开发。