深度学习环境配置10——Ubuntu下的torch==1.7.1环境配置
注意事项
一、2022/9/18更新
许多粉丝反馈,报TypeError: array() takes 1 positional argument but 2 were given错误,可以修改pillow版本解决。
pip install pillow==8.2.0
如果出现下述错误:
SubProcess ended with return code: 4294967295。
复制ptxas到/usr/local/cuda-11.0/ptxas。下载链接为:
链接:https://pan.baidu.com/s/1dCt3kXAtrObPJhAwxQjDLA
提取码:vyec
学习前言
一直没有制作与Ubuntu相关的环境配置,决定把这个坑给填补上。
各个版本pytorch的配置教程
各个版本pytorch的配置教程如下:
深度学习环境配置10——Ubuntu下的torch==1.7.1环境配置
深度学习环境配置8——(30系显卡)windows下的torch==1.7.1环境配置
深度学习环境配置5——windows下的torch-cpu=1.2.0环境配置
深度学习环境配置2——windows下的torch=1.2.0环境配置
环境内容
pytorch:1.7.1
torchvision:0.8.2
环境配置
一、Anaconda安装
Anaconda的安装主要是为了方便环境管理,可以同时在一个电脑上安装多种环境,不同环境放置不同框架:pytorch、tensorflow、keras可以在不同的环境下安装,只需要使用conda create –n创建新环境即可。
1、Anaconda的下载
如果具有可视化界面的系统,可以直接进入首先登录Anaconda的官网:https://www.anaconda.com/distribution/。直接下载对应安装包就可以。
一般是下载64位的,下载完成后打开。
除此之外,也可以通过wget指令直接在终端中进行下载。具体如图所示。
下载完成后,目录下会出现对应的sh文件。即anaconda的安装文件。
2、Anaconda的安装
首先通过指令将sh文件设置成可执行的。
sudo chmod -R 777 Anaconda3-2022.05-Linux-x86_64.sh
然后利用下列指令执行sh文件。
./Anaconda3-2022.05-Linux-x86_64.sh
执行后就是一堆需要遵守的协议,一般这个时候啊对对对就可以了。
中间有一大串的协议,按空格会跳过的快一些。然后输入yes,否则不会正常安装。
然后选择安装路径,这个同学们根据自己的需求进行安装就可以了,默认会安装在~文件夹下。输入地址,然后点击Enter,Anaconda会开始自动安装。
这一步建议选择yes,conda环境会自动初始化,可以去掉一些繁琐的步骤。
再次打开就有base的环境了。
Anaconda的安装就结束了。
二、Cudnn和CUDA的下载和安装
我这里使用的是torch=1.7.1,官方推荐的Cuda版本是11.0,因此会用到cuda11.0,与cuda11.0对应的cudnn是8.0.5.39。
1、Cudnn和CUDA的下载
网盘下载:
链接:https://pan.baidu.com/s/16abczdUfi5VhLIb-i550ZA
提取码:ylrh
官网下载:
cuda11.0官网的地址是:
cuda11.0官网地址
然后可以通过指令进行下载。
wget http://developer.download.nvidia.com/compute/cuda/11.0.2/local_installers/cuda_11.0.2_450.51.05_linux.run
cudnn官网的地址是:
需要大家进去后寻找8.0.5.39。
cudnn官网地址
下载完之后得到这两个文件。
2、Cudnn和CUDA的安装
a、CUDA的安装
之后我们在该文件夹打开终端,利用下述指令开始安装CUDA。
sudo sh cuda_11.0.2_450.51.05_linux.run
因为现在的Ubuntu系统基本上会自动安装显卡驱动了,所以运行后一般会提示显卡驱动已经安装,此时忽略,直接选择Continue进入下一步。然后接受下一步的协议。
因为已经安装显卡驱动了,所以这一步不再选择Driver,之后选择install进行Cuda的安装即可。
安装完成后,还需要将CUDA信息添加到~/.bashrc中,因此我们这样做。使用gedit或者vim打开.bashrc文件。
gedit ~/.bashrc
然后在文件末尾添加上下述代码,此时环境变量已经添加。
export PATH=$PATH:/usr/local/cuda/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
export LIBRARY_PATH=$LIBRARY_PATH:/usr/local/cuda/lib64
此时CUDA已经安装完毕了,需要进一步安装Cudnn。
b、Cudnn的安装
依然打开终端,使用下述指令解压Cudnn文件。如果是zip文件就使用unzip,如果是tgz文件就使用tar。
unzip cudnn-11.0-linux-x64-v8.0.5.39.zip
tar -xvf cudnn-11.0-linux-x64-v8.0.5.39.tgz
解压完成后需要将cudnn文件夹下的文件复制到到/usr/local/cuda-11.0/lib64/和/usr/local/cuda-11.0/include/中。
进入cudnn文件夹,使用cp命令进行复制。
cp cuda/lib64/* /usr/local/cuda-11.0/lib64/
cp cuda/include/* /usr/local/cuda-11.0/include/
此时cudnn也安装完毕。
三、配置pytorch-gpu环境
1、pytorch-gpu环境的创建与激活
ctrl+alt+T,在命令提示符内输入以下命令:
conda create –n pytorch-gpu python=3.8
conda activate pytorch-gpu
这里一共存在两条指令:
前面一条指令用于创建一个名为pytorch-gpu的环境,该环境的python版本为3.8。
后面一条指令用于激活一个名为pytorch-gpu的环境。
2、pytorch-gpu库的安装
由于我们所有的操作都要在对应环境中进行,所以在进行库的安装前需要先激活环境。
conda activate pytorch-gpu
此时终端的样子为:
然后我们输入下述指令:
# CUDA 11.0
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch
安装pytorch-gpu。
3、其它依赖库的安装
但如果想要跑深度学习模型,还有一些其它的依赖库需要安装。具体如下:
scipy==1.7.1
numpy==1.21.2
matplotlib==3.4.3
opencv_python==4.5.3.56
torch==1.7.1
torchvision==0.8.2
tqdm==4.62.2
Pillow==8.3.2
h5py==2.10.0
tensorboard
scikit-learn
Cython
如果想要更便捷的安装可以在桌面或者其它地方创建一个requirements.txt文件,复制上述内容到txt文件中。
使用如下指令安装即可。下述指令中,requirements.txt前方的路径是我将文件放在桌面的路径,各位同学根据自己的电脑修改。
pip install -r ~/requirements.txt
4、安装较慢请注意换源
需要注意的是,如果在pip中下载安装比较慢可以换个源,可以到用户文件夹下,创建一个pip文件夹,然后在pip文件夹里创建一个txt文件。
创建指令如下,提示没有权限则在前面加个sudo:
mkdir ~/.pip
gedit ~/.pip/pip.conf
修改文件的内容。
[global]
index-url = https://mirrors.aliyun.com/pypi/simple
[install]
trusted-host=mirrors.aliyun.com
全部安装完成之后重启电脑。
四、安装VSCODE
我个人喜欢VSCODE,所以就安装它啦。其它的编辑软件也可以,个人喜好罢了。
1、VSCODE的下载
直接加载VSCODE的官网https://code.visualstudio.com/,点击deb即可下载。
2、VSCODE的安装
下载完成后,打开终端,使用如下指令进行安装。安装完成即可运行。
sudo dpkg -i code_1.69.2-1658162013_amd64.deb
3、运行环境的指定
首先点击插件模块,安装python。
安装完成后重启vscode,此时vscode的左下角或者右下角可以用于选择环境。
点击后选择环境,没有对应解释器的可以点一下右上角的刷新。
文章评论