一、安装gcc编译器
首先测试下机器有没有gcc,输入gcc -v,如果出现以下提示,说明有gcc,该版本为10.3.1,就不用再安装了,但如果低于10版本则必须升级gcc版本。到#三。 这里可以参考这两篇博客安装好相应环境: zhuanlan.zhihu.com/p/659247505... blog.csdn.net/qq_36393978...
安装gcc的时间极其漫长,make的时候一般要至少4个小时,我实测为6小时,所以得提前做好准备。
二、安装CMake
在编译安装Pytorch之前,需要要有CMake编译构建工具。
CMake是一个开源的跨平台构建工具,用于管理软件构建过程中的配置、编译和安装。它提供了一个简洁的跨平台语言(CMakeLists.txt)来描述构建过程的规则,并通过生成与目标开发环境兼容的构建文件(如Makefile 或 Visual Studio 解决方案)来完成实际的构建过程。
首先进入CMake官网:cmake.org/download/,找... 这里选择了aarch64的3.27.9安装包,并上传到服务器进行解压:
bash
tar -zxvf cmake-3.27.9-linux-aarch64.tar.gz
解压之后,将解压后的目录改名为CMake方便编写环境变量。
最后一步,打开环境变量文件,如vim ~/.bashrc,在环境变量的最后加入一行即可:
bash
export PATH=你的路径/cmake/bin:$PATH
然后输入cmake --version,如果出现版本号说明CMake安装成功!
三、安装NCCL
这里完全参考这篇博客:blog.csdn.net/Scenery0519...
其最后一步的环境变量配置写在~/.bashrc里面就行。
四、编译安装Pytorch
4.1、前提准备
在正式编译安装Pytorch前,你要确认已经弄好了以下配置:
- CUDA驱动和CUDA:使用nvidia-smi和nvcc -V均有值,并且已经安装并配置了CUDNN;
2.具备10版本以上的gcc编译环境:使用gcc -v查看
3.安装了Anaconda或者Miniconda:输入conda env list可以看到已有的虚拟环境;
4.安装好了cmake,即输入cmake --version可以看到cmake的版本号
4.2、下载pytorch源码
源码编译安装pytorch前,需要下载完整的pytorch源码:https://github.com/pytorch/pytorch/tree/v1.10.2-rc1
首先使用git clone --recursive github.com/pytorch/pyt...
bash
# git 代理设置,前提是你有代理
# git config --global http.proxy "localhost:端口号"
# git config --global https.proxy "localhost:端口号"
# 代理设置好,下载完后,就可以取消了,否则可能影响你其他操作
# 取消代理
# git config --global --unset http.proxy
# git config --global --unset https.proxy
如果没有代理,可以通过以下方式进行下载:
bash
# 如果网络不行可以试着通过镜像地址 或 gitee 克隆
# 如 git clone --recursive https://hub.yzuu.cf/pytorch/pytorch
# 如 git clone --recursive https://gitee.com/ascend/pytorch.git
在下载好pytorch源码后,非常重要的一步就是必须递归下载其中的链接包,这里使用git submodule递归下载:
bash
git submodule sync
git submodule update --init --recursive
安装好后,你的pytorch包一般在2.5GB以上,如果文件大小过小,说明你有些递归的包没下载完整。
4.3、配置环境变量
使用vim ~/.bashrc或者使用mobaXtem的文件树方式打开环境变量文件,里面的内容配置如下:
- export USE_CUDA=1:用于设置一个名为 USE_CUDA 的环境变量,并将其值设置为 1。可能用于告知后续的脚本或程序,在构建过程中需要使用 CUDA 进行加速或其他相关操作。
- export USE_SYSTEM_NCCL=ON:设置一个环境变量 USE_SYSTEM_NCCL 的值为 ON,表明使用系统中已安装的 NCCL 库。
- CUDA 相关的环境变量:设置 CUDA 安装路径、相关 bin 和 lib 路径,同时还指定了 CMake 所使用的 CUDA 编译器和 CUDNN 库的路径。
- CMAKE相关的环境变量:添加了 CMake 可执行文件的路径到 PATH 环境变量中、设置 CMake 的前缀路径,用于指定额外的 CMake 模块和包的位置。
- export MAX_JOBS=4:设置一个名为 MAX_JOBS 的环境变量,并将其值设置为 4,可能用于指定并行编译任务的最大数量。这个按机器进行设置,太大了容易崩溃。
- GCC相关的环境变量:包括gmp、mpc、mpfr、gcc以在运行时正确链接这些库。
4.4、Pytorch编译安装
cd进入Pytorch目录,采用直接安装的方式进行安装:
bash
# 直接安装
python setup.py install --cmake
# 或者 编译成 whl安装文件,编译成功后在dist文件下面,可通过 pip install torch-xxxx.whl 安装
python setup.py bdist_wheel --cmake
安装过程大概在40分钟到2小时不等:
4.5、测试Pytorch
安装完成后,激活虚拟环境,然后输入python,然后输入一下代码:
python
import torch
print(torch.__version__)
print(torch.cuda.is_available())
如果显示True即大功告成!
如果报错:NameError: name 'sympy' is not defined',则需要在conda里再安装sympy模块,如果还是报错,需要安装mpmath,反正就import torch报啥错就补上相关的环境就好。
最后可以再运行以下代码查看显卡数量和显卡型号
python
print(torch.cuda.device_count())
print(torch.cuda.get_device_name(0))
就能看到torch成功调用到了A100啦!