conda 安装pytorch查不到pytorch版本用conda下载pytorch

转载

mob64ca1417eedd 2024-07-08 10:51:56

文章标签 python 深度学习 pytorch anaconda pycharm 文章分类 PyTorch 人工智能

准备工作：针对的是anaconda下的pytorch安装，因此默认电脑已经有了anaconda。
首先查看自己的显卡版本。网上推荐的大都是在命令行下，使用nvcc --version命令如下所示：

nvcc --version

但是老给我报错，解决无果。

C:\Users\Dell>nvcc --version
'nvcc' 不是内部或外部命令，也不是可运行的程序
或批处理文件。

C:\Users\Dell>

我就不信不用这个明明查看不了显卡版本。后来我换了另外一种方式，成功的查看了显卡版本。使用 nvidia-smi命令也可以查看显卡版本！！！

nvidia-smi

如下所示：

conda 安装pytorch查不到pytorch版本用conda下载pytorch_深度学习

在 Anaconda prompt 下进行安装pytorch 先去 pytorch官网选择自己所需要的版本，官网如下：https://pytorch.org/ 我用conad命令安装会很慢，而且报了错，没有解决，尝试了pip安装，成功了！！。我的选择如下：在 Anaconda prompt 输入命令即可。注意：切换到你的需要安装的环境下：conda常用的命令可以参考这边文章（conda指令）：为什么我要用 --user ？因为直接用 pytorch 中的命令，我报了权限不够的错误，按照提示加了 --user，然后捂着眼睛，矮... 一两分钟，两分钟以后就好了（滑稽）。我当时的错误如下：

ERROR: Could not install packages due to an EnvironmentError: [WinError 5] 拒绝访问。: 'c:\\anaconda\\envs\\xxx\\lib\\site-packages\\~orch\\lib\\asmjit.dll'
Consider using the `--user` option or check the permissions.

然后就安装成功啦！有图为证！

conda 安装pytorch查不到pytorch版本用conda下载pytorch_pycharm_02

在pycharm中测试 pytorch尼玛！！又给我报错！没有什么C++？！ pycharm 中的 error： Visual C++ Redistributable is not installed, this may lead to the DLL load failure. 解决方案参考这篇文章即可：然后安装了C++的环境以后，两分钟以后又好了！用下面这个例子测一下pytorch和GPU！

import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.utils.data as Data
import torchvision
import time

# import matplotlib.pyplot as plt

torch.manual_seed(1)

EPOCH = 1
BATCH_SIZE = 50
LR = 0.001
DOWNLOAD_MNIST = True
if_use_gpu = 1

# 获取训练集dataset
training_data = torchvision.datasets.MNIST(
    root='./mnist/',  # dataset存储路径
    train=True,  # True表示是train训练集，False表示test测试集
    transform=torchvision.transforms.ToTensor(),  # 将原数据规范化到（0,1）区间
    download=DOWNLOAD_MNIST,
)

# 打印MNIST数据集的训练集及测试集的尺寸
print(training_data.train_data.size())
print(training_data.train_labels.size())
# torch.Size([60000, 28, 28])
# torch.Size([60000])

# plt.imshow(training_data.train_data[0].numpy(), cmap='gray')
# plt.title('%i' % training_data.train_labels[0])
# plt.show()

# 通过torchvision.datasets获取的dataset格式可直接可置于DataLoader
train_loader = Data.DataLoader(dataset=training_data, batch_size=BATCH_SIZE,
                               shuffle=True)

# 获取测试集dataset

test_data = torchvision.datasets.MNIST(
    root='./mnist/',  # dataset存储路径
    train=False,  # True表示是train训练集，False表示test测试集
    transform=torchvision.transforms.ToTensor(),  # 将原数据规范化到（0,1）区间
    download=DOWNLOAD_MNIST,
)
# 取前全部10000个测试集样本
test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1).float(), requires_grad=False)
# test_x = test_x.cuda()
## (~, 28, 28) to (~, 1, 28, 28), in range(0,1)
test_y = test_data.test_labels


# test_y = test_y.cuda()
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(  # (1,28,28)
            nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5,
                      stride=1, padding=2),  # (16,28,28)
            # 想要con2d卷积出来的图片尺寸没有变化, padding=(kernel_size-1)/2
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2)  # (16,14,14)
        )
        self.conv2 = nn.Sequential(  # (16,14,14)
            nn.Conv2d(16, 32, 5, 1, 2),  # (32,14,14)
            nn.ReLU(),
            nn.MaxPool2d(2)  # (32,7,7)
        )
        self.out = nn.Linear(32 * 7 * 7, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1)  # 将（batch，32,7,7）展平为（batch，32*7*7）
        output = self.out(x)
        return output


cnn = CNN()
if if_use_gpu:
    cnn = cnn.cuda()

optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)
loss_function = nn.CrossEntropyLoss()

for epoch in range(EPOCH):
    start = time.time()
    for step, (x, y) in enumerate(train_loader):
        b_x = Variable(x, requires_grad=False)
        b_y = Variable(y, requires_grad=False)
        if if_use_gpu:
            b_x = b_x.cuda()
            b_y = b_y.cuda()

        output = cnn(b_x)
        loss = loss_function(output, b_y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if step % 100 == 0:
            print('Epoch:', epoch, '|Step:', step,
                  '|train loss:%.4f' % loss.item())
    duration = time.time() - start
    print('Training duation: %.4f' % duration)

cnn = cnn.cpu()
test_output = cnn(test_x)
pred_y = torch.max(test_output, 1)[1].data.squeeze()
accuracy = sum(pred_y == test_y) / test_y.size(0)
print('Test Acc: %.4f' % accuracy)