详解win10下pytorch-gpu安装以及CUDA详细安装过程

在Windows 10下安装PyTorch GPU版本需要安装CUDA和cuDNN,本文将详细讲解如何安装PyTorch GPU版本以及CUDA和cuDNN,并提供两个示例说明。

1. 安装PyTorch GPU版本

在安装PyTorch GPU版本之前,需要先安装CUDA和cuDNN。安装完成后,可以通过以下步骤安装PyTorch GPU版本:

  1. 打开Anaconda Prompt或者命令行窗口,创建一个新的虚拟环境:

conda create --name pytorch_gpu python=3.8

  1. 激活虚拟环境:

conda activate pytorch_gpu

  1. 安装PyTorch GPU版本:

conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c nvidia

其中,cudatoolkit=11.1表示安装CUDA 11.1版本,可以根据自己的需求选择不同的版本。

  1. 安装完成后,可以通过以下代码测试PyTorch是否安装成功:

python
import torch
print(torch.cuda.is_available())

如果输出True,则表示PyTorch GPU版本安装成功。

2. 安装CUDA和cuDNN

在安装PyTorch GPU版本之前,需要先安装CUDA和cuDNN。以下是安装CUDA和cuDNN的详细步骤:

  1. 下载CUDA安装包

在NVIDIA官网上下载CUDA安装包,选择与自己的显卡和操作系统版本相对应的安装包。

  1. 安装CUDA

双击下载的CUDA安装包,按照提示进行安装。在安装过程中,需要选择自定义安装,并选择安装CUDA Toolkit和CUDA Tools。

  1. 下载cuDNN

在NVIDIA官网上下载cuDNN,选择与自己的CUDA版本相对应的cuDNN版本。

  1. 安装cuDNN

解压下载的cuDNN压缩包,将其中的bin、include和lib文件夹复制到CUDA安装目录下的对应文件夹中。

  1. 配置环境变量

在系统环境变量中添加以下变量:

CUDA_HOME:CUDA安装目录
Path:添加CUDA安装目录下的bin文件夹路径

  1. 测试CUDA和cuDNN是否安装成功

打开命令行窗口,输入以下命令:

nvcc -V

如果输出CUDA版本信息,则表示CUDA安装成功。

然后,打开Python解释器,输入以下代码:

python
import torch
print(torch.cuda.is_available())

如果输出True,则表示cuDNN安装成功。

3. 示例3:使用PyTorch GPU版本进行图像分类

以下是使用PyTorch GPU版本进行图像分类的示例代码:

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 加载数据集
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

# 实例化模型
net = Net()

# 将模型和数据移动到GPU上
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
net.to(device)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(2):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data[0].to(device), data[1].to(device)
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

# 测试模型
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data[0].to(device), data[1].to(device)
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

在上面的代码中,我们首先定义了一个包含两个卷积层和三个全连接层的模型Net。然后,我们使用torchvision.datasets.CIFAR10()方法加载CIFAR10数据集,并使用torch.utils.data.DataLoader()方法将数据集分成小批量进行训练。接下来,我们实例化了该模型,并使用torch.device()方法将模型和数据移动到GPU上。然后,我们定义了损失函数和优化器,并使用它们训练模型。最后,我们使用torch.no_grad()方法关闭梯度计算,进行模型测试,并计算模型的准确率。

4. 示例4:使用PyTorch GPU版本进行文本分类

以下是使用PyTorch GPU版本进行文本分类的示例代码:

import torch
import torch.nn as nn
import torch.optim as optim
from torchtext.datasets import IMDB
from torchtext.data import Field, LabelField, BucketIterator

# 定义Field
TEXT = Field(tokenize='spacy', lower=True)
LABEL = LabelField(dtype=torch.float)

# 加载数据集
train_data, test_data = IMDB.splits(TEXT, LABEL)
train_data, valid_data = train_data.split(random_state=random.seed(1234))

# 构建词汇表
TEXT.build_vocab(train_data, max_size=25000, vectors="glove.6B.100d")
LABEL.build_vocab(train_data)

# 加载数据迭代器
BATCH_SIZE = 64
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
train_iterator, valid_iterator, test_iterator = BucketIterator.splits(
    (train_data, valid_data, test_data), batch_size=BATCH_SIZE, device=device)

# 定义模型
class Net(nn.Module):
    def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim, n_layers, bidirectional, dropout):
        super().__init__()
        self.embedding = nn.Embedding(vocab_size, embedding_dim)
        self.rnn = nn.LSTM(embedding_dim, hidden_dim, num_layers=n_layers, bidirectional=bidirectional, dropout=dropout)
        self.fc = nn.Linear(hidden_dim * 2 if bidirectional else hidden_dim, output_dim)
        self.dropout = nn.Dropout(dropout)

    def forward(self, text):
        embedded = self.dropout(self.embedding(text))
        output, (hidden, cell) = self.rnn(embedded)
        if self.rnn.bidirectional:
            hidden = self.dropout(torch.cat((hidden[-2, :, :], hidden[-1, :, :]), dim=1))
        else:
            hidden = self.dropout(hidden[-1, :, :])
        return self.fc(hidden)

# 实例化模型
VOCAB_SIZE = len(TEXT.vocab)
EMBEDDING_DIM = 100
HIDDEN_DIM = 256
OUTPUT_DIM = 1
N_LAYERS = 2
BIDIRECTIONAL = True
DROPOUT = 0.5
net = Net(VOCAB_SIZE, EMBEDDING_DIM, HIDDEN_DIM, OUTPUT_DIM, N_LAYERS, BIDIRECTIONAL, DROPOUT)

# 将模型和数据移动到GPU上
net = net.to(device)

# 定义损失函数和优化器
criterion = nn.BCEWithLogitsLoss()
optimizer = optim.Adam(net.parameters())

# 训练模型
for epoch in range(5):
    running_loss = 0.0
    for i, batch in enumerate(train_iterator):
        text, label = batch.text, batch.label
        optimizer.zero_grad()
        output = net(text).squeeze(1)
        loss = criterion(output, label)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 1000 == 999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 1000))
            running_loss = 0.0

print('Finished Training')

# 测试模型
correct = 0
total = 0
with torch.no_grad():
    for batch in test_iterator:
        text, label = batch.text, batch.label
        output = net(text).squeeze(1)
        predicted = torch.round(torch.sigmoid(output))
        total += label.size(0)
        correct += (predicted == label).sum().item()

print('Accuracy of the network on the test data: %d %%' % (
    100 * correct / total))

在上面的代码中,我们首先定义了一个包含一个LSTM层和一个全连接层的模型Net。然后,我们使用torchtext.datasets.IMDB()方法加载IMDB数据集,并使用torchtext.data.Field()方法定义文本和标签的处理方式。接下来,我们构建了词汇表,并使用torchtext.data.BucketIterator()方法将数据集分成小批量进行训练。然后,我们实例化了该模型,并使用torch.device()方法将模型和数据移动到GPU上。接下来,我们定义了损失函数和优化器,并使用它们训练模型。最后,我们使用torch.no_grad()方法关闭梯度计算,进行模型测试,并计算模型的准确率。

以上就是在Windows 10下安装PyTorch GPU版本以及CUDA和cuDNN的详细步骤,以及两个使用PyTorch GPU版本进行图像分类和文本分类的示例代码。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:详解win10下pytorch-gpu安装以及CUDA详细安装过程 - Python技术站

(0)
上一篇 2023年5月15日
下一篇 2023年5月15日

相关文章

  • 取出预训练模型中间层的输出(pytorch)

    1 遍历子模块直接提取 对于简单的模型,可以采用直接遍历子模块的方法,取出相应name模块的输出,不对模型做任何改动。该方法的缺点在于,只能得到其子模块的输出,而对于使用nn.Sequensial()中包含很多层的模型,无法获得其指定层的输出。 示例 resnet18取出layer1的输出 from torchvision.models import res…

    2023年4月5日
    00
  • pytorch 7 optimizer 优化器 加速训练

    import torch import torch.utils.data as Data import torch.nn.functional as F import matplotlib.pyplot as plt # torch.manual_seed(1) # reproducible 超参数设置 LR = 0.01 BATCH_SIZE = 32 E…

    2023年4月8日
    00
  • Python中if __name__ == ‘__main__’作用解析

    在Python中,if __name__ == ‘__main__’是一个常见的代码块,它通常用于判断当前模块是否是主程序入口。在本文中,我们将详细讲解if __name__ == ‘__main__’的作用和用法,并提供两个示例说明。 if __name__ == ‘__main__’的作用 在Python中,每个模块都有一个内置的变量__name__,它…

    PyTorch 2023年5月15日
    00
  • Pytorch中实现CPU和GPU之间的切换的两种方法

    在PyTorch中,我们可以使用CPU和GPU来加速模型的训练和推理。在本文中,我们将深入探讨如何在PyTorch中实现CPU和GPU之间的切换。 方法一:手动切换 在PyTorch中,我们可以使用.to()方法手动将张量或模型从CPU切换到GPU,或从GPU切换到CPU。下面是一个示例: import torch # 创建一个张量 x = torch.ra…

    PyTorch 2023年5月15日
    00
  • Anaconda+spyder+pycharm的pytorch配置详解(GPU)

    Anaconda+Spyder+PyCharm的PyTorch配置详解(GPU) 在本文中,我们将介绍如何在Anaconda、Spyder和PyCharm中配置PyTorch,以便在GPU上运行深度学习模型。我们将提供两个示例,一个使用Spyder,另一个使用PyCharm。 步骤1:安装Anaconda 首先,我们需要安装Anaconda。可以从Anaco…

    PyTorch 2023年5月16日
    00
  • pytorch函数之torch.normal()

    Returns a Tensor of random numbers drawn from separate normal distributions who’s mean and standard deviation are given. 这个是官网给出的解释,大意是返回一个张量,张量里面的随机数是从相互独立的正态分布中随机生成的。 根据官网中给出的实例进…

    PyTorch 2023年4月8日
    00
  • 深度之眼PyTorch训练营第二期 —5、Dataloader与Dataset 以及 transforms与normalize

    一、人民币二分类 描述:输入人民币,通过模型判定类别并输出。   数据:四个子模块     数据收集 -> img,label 原始数据和标签     数据划分 -> train训练集 valid验证集 test测试集     数据读取 -> DataLoader ->(1)Sampler(生成index) (2)Dataset(读取…

    PyTorch 2023年4月8日
    00
  • 关于Pytorch的二维tensor的gather和scatter_操作用法分析

    看得不明不白(我在下一篇中写了如何理解gather的用法) gather是一个比较复杂的操作,对一个2维tensor,输出的每个元素如下: out[i][j] = input[index[i][j]][j] # dim=0 out[i][j] = input[i][index[i][j]] # dim=1 二维tensor的gather操作 针对0轴 注意i…

    2023年4月8日
    00
合作推广
合作推广
分享本页
返回顶部