在GPU上运行PyTorch

文章目录

🍃作者介绍:双非本科大三网络工程专业在读,阿里云专家博主,专注于Java领域学习,擅长web应用开发、数据结构和算法,初步涉猎人工智能和前端开发。

🦅个人主页:@逐梦苍穹

📕所属专栏:人工智能

🌻gitee地址:xzl的人工智能代码仓库

✈ 您的一键三连,是我创作的最大动力🌹

1、查看GPU的CUDA版本

桌面右键->NVIDIA控制面板->帮助->系统信息->组件:

可以看到我这里的CUDA版本是11.8(这里也推荐是11.8,后续会再提到)

2、下载CUDA版本

英伟达官网:https://developer.nvidia.com/cuda-toolkit-archive

英伟达官网下载对应的CUDA版本,我下载的版本是CUDA11.8.0:

安装CUDA:双击执行下载的exe文件,会先解压文件到临时目录(不是安装目录),保持默认即可

  1. 安装过程:选择自定义

取消勾选 Visual Studio Integration

建议默认安装在C盘 。

3、安装cuDNN

英伟达官网:https://developer.nvidia.com/cudnn

英伟达官网下载与CUDA对应的cuDNN

下载解压缩之后,将CUDNN文件夹里面的bin、include、lib文件夹里面的文件,直接复制到CUDA的对应的安装目录下 !

4、配置CUDA环境变量

在path中添加如下路径:

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp

在终端输入nvcc -V:

5、安装配置Anaconda

清华镜像站:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=D

下载完成之后,正常下一步即可。这里写几个需要注意的点:

①这里可以先不用选Add sys path,只勾选Register。环境变量自己配置。

最后两项都不需要选,点击Finish:

可以看到安装后,除了Anaconda,默认还带了Jupyter、Spyder等:

配置环境变量:

如果你是默认安装的,那你的配置路径就是:

检查是否配置成功:

在cmd配置国内镜像源:

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/conda-forge/

6、使用Anaconda

打开Anaconda Navigator:

启动完成:

这里是管理环境的:

conda常用命令:
https://docs.conda.io/projects/conda/en/latest/commands/index.html

7、pycharm导入虚拟环境

8、安装带GPU的PyTorch⭐

在cmd中(记得用管理员身份打开cmd):

  1. conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
  2. conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch

测试安装是否成功以及能否正常使用GPU:

python 复制代码
print("PyTorch版本: ", torch.__version__)  # 打印PyTorch版本
print("torchvision版本 ", torchvision.__version__)  # 打印torchvision版本
print("CUDA是否可用: ", torch.cuda.is_available())  # 检查CUDA是否可用


检查自己电脑的CUDA设备:

python 复制代码
# -*- coding: utf-8 -*-
# @Author: CSDN@逐梦苍穹
# @Time: 2024/7/16 7:51
import torch

if torch.cuda.is_available():
    num_cuda_devices = torch.cuda.device_count()
    print(f"Number of CUDA devices: {num_cuda_devices}")
    for i in range(num_cuda_devices):
        print(f"CUDA Device {i}: {torch.cuda.get_device_name(i)}")
else:
    print("No CUDA devices available.")

9、总结

此次问题折腾了很久,其中的关键就是,电脑的CUDA版本和pytorch-cuda、cudatoolkit的版本必须一致!

相关推荐
CoovallyAIHub11 分钟前
开源的消逝与新生:从 TensorFlow 的落幕到开源生态的蜕变
pytorch·深度学习·llm
用户51914958484525 分钟前
C#记录类型与集合的深度解析:从默认实现到自定义比较器
人工智能·aigc
IT_陈寒4 小时前
React 18实战:7个被低估的Hooks技巧让你的开发效率提升50%
前端·人工智能·后端
数据智能老司机5 小时前
精通 Python 设计模式——分布式系统模式
python·设计模式·架构
逛逛GitHub5 小时前
飞书多维表“独立”了!功能强大的超出想象。
人工智能·github·产品
机器之心5 小时前
刚刚,DeepSeek-R1论文登上Nature封面,通讯作者梁文锋
人工智能·openai
数据智能老司机6 小时前
精通 Python 设计模式——并发与异步模式
python·设计模式·编程语言
数据智能老司机6 小时前
精通 Python 设计模式——测试模式
python·设计模式·架构
数据智能老司机6 小时前
精通 Python 设计模式——性能模式
python·设计模式·架构
c8i6 小时前
drf初步梳理
python·django