介绍
这是我的第一篇文章。
在研究机器学习时，我在使用 Pytorch 和 Pytorch Geometric 构建 GPU 环境时遇到了很多麻烦，所以我想留下我构建环境所做的工作。
我希望这可以帮助任何处于类似情况的人。
环境
| 操作系统 | 语 | GPU |
|---|---|---|
| Windows 11 家庭 64 位 | 蟒蛇 3.9.13 | RTX3060 钛 |
使用 GPU 进行机器学习需要什么
- Python
- 英伟达驱动
- CUDA
- cuDNN
- 火炬
-
Pytorch 几何（图神经网络专用库。必要时安装）
Python
Pytorch 是 Python 上的机器学习库，所以我们先安装 Python。
Python官方页面
https://www.python.org/
请访问 Python 的官方页面，从官方网站的 Downloads 中选择您正在使用的操作系统（我的情况是 Windows），然后安装它。
截至 2022 年 9 月 25 日
请注意，Pytorch 仅在 Windows 上支持 Python 3.7-3.9！
Pytorch Geometric 支持 Python 3.7-3.10！英伟达驱动
从 Nvidia 站点下载 Nvidia 驱动程序。
关于驱动，根据你使用的GPU类型搜索就可以了。
Nvidia驱动下载页面
https://www.nvidia.co.jp/Download/index.aspx?lang=jp对于下载类型，选择 Game Ready Driver (GRD)！
CUDA
CUDA代表Compute Unified Device Architecture，是Nvidia开发的GPU程序开发环境。
通过使用 CUDA，可以使用 GPU 的多个运算单元进行高速并行运算处理。
因此，让我们从 Nvidia 的官方页面下载 CUDA。
CUDA 下载页面
https://developer.nvidia.com/cuda-toolkit-archive对于 CUDA 版本，匹配 Pytorch Pytorch Geometric 支持的版本！
截至 2022 年 9 月 25 日
Pytorch → 支持 10.2、11.3、11.6
支持 Pytorch 几何 → 10.2、11.3、11.5、11.6就我而言，我下载了 CUDA 11.3。
请为 Select Traget Platform 选择以下选项。
- 操作：系统窗口
- 架构：x86_64
- 版本：10
- 安装程序：键入 exe（本地）
cuDNN
cuDNN 是 NVIDIA CUDA Deep Neural NEnetwork 的缩写，是用于深度神经网络的 GPU 加速基元库。
我们也选择与之前安装的 CUDA 版本相匹配的那个并安装。
cuDNN 下载页面
https://developer.nvidia.com/rdp/cudnn-archive显示以下项目时，选择顶部的 Local Installer for Windows (zip)。
从这里开始，需要一些复杂的设置，所以请尽力而为。
将下载为 zip 文件的 cuDNN CUDA 文件夹的内容复制到 Programfiles/NVIDA GPU Computing Toolkit/CUDA/Vx.x 文件夹。
然后通过 cuDNN 路径。
首先，转到控制面板（环境变量）。
并在系统环境变量中
变量名：CUDNN_PATH
变量值：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.x
请加如果无法添加新的系统环境变量，请以管理员身份打开 Windows power shell 并运行以下命令
启动 C:\Windows\system32\rundll32.exe sysdm.cpl，编辑 EnvironmentVariables这样就完成了GPU驱动的安装！
Pytorch・Pytorch 几何
Pytorch 是 Python 的开源机器学习库。 Pytorch Geometric 是一个专门用于使用 Pytorch 进行图神经网络的库。
安装 Pytorch 非常简单，只需在本地启动，进入您的环境并在命令提示符（Power Shell）处执行“运行此命令”即可。
Pytorch官方网站
https://pytorch.org/get-started/locally/同样，Pytorch Geometric 可以通过官网的 Quick Start 进入自己的环境，在命令提示符（Power Shell）下执行“运行”来安装。
这样就完成了 Pytorch 和 Pytorch Geometric 的安装！
检查 Pytorch GPU 环境是否构建正确
import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.device_count()) print(torch.cuda.current_device()) #出力結果 #1.11.0+cu113 #True #1 #0如果没有报错，得到上述输出结果，则说明GPU环境已经构建好。
谢谢你的辛劳工作！
原创声明：本文系作者授权爱码网发表，未经许可，不得转载;
原文地址：https://www.likecs.com/show-308627046.html
查看更多关于【pytorch教程】的文章
