python学习11-Pytorch环境安装与模型搭建

先查看下自己的电脑是否是英伟达显卡
在这里插入图片描述

如果不是就需要租用平台了,如 AutoDL算力云
https://www.autodl.com/home

CUDA

当涉及到深度学习和 Python 时，CUDA 是一个非常重要的概念，它是 NVIDIA 开发的并行计算平台和应用程序编程接口（API）。CUDA 可以用来加速深度学习任务，特别是神经网络的训练和推断，因为它允许在 NVIDIA GPU 上进行高效的并行计算。
以下是有关 CUDA 的详细解释：

什么是 CUDA？

CUDA（Compute Unified Device Architecture）是一种并行计算平台和编程模型，旨在利用 NVIDIA GPU（图形处理单元）的强大并行计算能力。它允许开发者使用 GPU 进行通用目的的高性能计算，而不仅仅是图形渲染。

为什么要使用 CUDA？
使用 CUDA 有以下几个优点：

并行计算： GPU 具有大量的处理单元和内存带宽，适用于处理大规模的并行计算任务，如深度学习的神经网络训练。
加速深度学习：深度学习中的大多数计算操作都可以受益于 CUDA 的并行性。因此，使用 CUDA 可以显著加速神经网络的训练和推断。
大规模数据处理：对于需要处理大量数据的任务，CUDA 可以加速数据处理和分析，例如图像处理、自然语言处理等。

使用 CUDA 进行深度学习

要在深度学习项目中使用 CUDA，您需要执行以下步骤：

选择合适的 GPU：首先，您需要选择适合您需求的 NVIDIA GPU。不同型号的 GPU 具有不同的计算能力和内存大小，因此您需要根据您的任务来选择。
安装 CUDA 工具包和 cuDNN：您需要安装 NVIDIA 的 CUDA 工具包和 cuDNN 库。CUDA 工具包包括编译器、运行时库和 GPU 驱动程序，cuDNN 是用于深度学习的 GPU 加速库。
选择深度学习框架：大多数流行的深度学习框架（如 TensorFlow 和 PyTorch）都支持 CUDA。您只需要确保您的框架安装正确，并配置为使用 GPU。
编写 CUDA 加速的代码：如果您希望进一步优化您的深度学习模型，可以编写 CUDA 内核（kernel）来执行特定的计算任务。这需要一些 CUDA 编程经验。
GPU 设备管理：在使用 CUDA 时，您可以使用 NVIDIA 的 GPU 设备管理工具（例如 nvidia-smi）来监视 GPU 的利用率和性能，以确保任务正常运行。

CUDA 编程

如果您希望进一步深入了解 CUDA 编程，可以学习以下关键概念：

CUDA 核心思想： CUDA 编程的核心思想是将计算任务分解成许多线程块（thread block）和网格（grid），然后在 GPU 上并行执行这些线程。
CUDA C/C++ 编程： CUDA C/C++ 是一种用于编写 GPU 内核的编程语言。您可以学习如何编写 CUDA 内核，以便针对特定任务进行并行计算。
共享内存和线程同步：在 CUDA 中，共享内存用于线程之间的数据共享，线程同步用于协调线程的执行。理解这些概念对于编写高效的 CUDA 内核至关重要。
CUDA 库：除了自定义 CUDA 内核，还可以使用各种 CUDA 库来执行常见的任务，如矩阵乘法、卷积等。
性能优化： CUDA 编程还涉及到性能优化，包括选择合适的线程块大小、减少数据传输次数、使用共享内存等。
要成为一名熟练的 CUDA 编程人员，通常需要深入学习和实践。CUDA 编程是一个广泛的领域，可以显著提高深度学习和其他科学计算任务的性能。如果您对深度学习和 GPU 加速感兴趣，学习 CUDA 编程是一个有价值的投资。

cuDNN

cuDNN（CUDA Deep Neural Network library）是由 NVIDIA 开发的深度神经网络（DNN）加速库。它是专门为深度学习任务而设计的，旨在充分利用 NVIDIA GPU 的并行计算能力，以加速神经网络的训练和推断过程。
cuDNN 提供了一组高性能的 GPU 加速函数和优化，用于常见的深度学习操作，如卷积、池化、归一化、全连接等。这些操作是深度神经网络中的基本构建块，因此通过在 GPU 上高效执行它们，cuDNN 可以显著提高深度学习模型的性能。
以下是 cuDNN 的一些关键特性和优点：

高性能计算： cuDNN 使用了一系列高度优化的算法和数据结构，以确保在 GPU 上执行深度学习操作时能够获得最佳性能。
硬件加速： cuDNN 充分利用了 NVIDIA GPU 的硬件功能，如深度核心（Tensor Cores）和 CUDA 核心，以实现高效的矩阵计算和卷积运算。
跨平台支持： cuDNN 支持多个操作系统和 GPU 架构，因此可以在不同的硬件平台上使用，包括桌面 GPU 和数据中心 GPU。
深度学习框架集成：大多数流行的深度学习框架，如 TensorFlow、PyTorch 和 Caffe，都集成了 cuDNN，因此您可以轻松地在这些框架中使用 cuDNN 提供的功能。
简化开发过程： cuDNN 的存在使深度学习开发者能够更专注于模型的设计和训练，而无需过多关注底层的 GPU 加速细节。
总之，cuDNN 是深度学习领域中的一个重要工具，它使深度学习模型的训练和推断过程更加高效，同时也提供了一些性能优化和便利性的功能，有助于加速深度学习应用的开发和部署。

Cuda和Cudnn 安装教程

Cuda和Cudnn 安装教程，需要先安装Cuda才能够使用安装GPU版本的PyTorch，本文详细介绍Cuda和Cudnn的安装步骤，环境配置和测试方法。笔者在Win10进行安装操作，Cuda采用版本10.1,Cudnn 采用版本v7.6.4.38。

Cuda 安装
首先需要确认你的电脑显卡已经安装好了驱动并且是支持Cuda的，从官网https://developer.nvidia.com/cuda-downloads下载，我选择的版本是cuda_10.1.243_426.00_win10.exe

在这里插入图片描述
安装的时候建议选择自定义而不是“精简”(从下面的英文解释可以看出，其实这里的精简写成完整应该更贴切，他会安装所有组件并覆盖现有驱动，然而我并不想安装全家桶，何况我的官方显卡驱动比他的新)。

在这里插入图片描述
如下图所示，我们只需选择CUDA项（默认是全选的），这一步之后，会询问这些组件的安装路径，可以直接使用C盘的默认位置，当然我们可以可以自己定义（请记住这些安装路径，后面配置环境变量需要用到）。
在这里插入图片描述

环境变量和测试

检查系统变量
在这里插入图片描述

添加环境变量后如下图所示：

可以通过如下指令测试安装和配置是否成功：

nvcc --version
nvcc -V

输出结果如下所示:
在这里插入图片描述
显示cuda版本号10.1 V10.1.243，说明安装成功！

Cudnn 安装

官网下载：https://developer.nvidia.com/rdp/cudnn-archive

在这里插入图片描述
解压文件夹，显示内容如下:

将解压文件夹cuda目录下的文件分别复制到cuda安装目录下的对应文件夹下面，如下所示:

恭喜你，安装完成！！！

Anaconda 安装

1、Anaconda官网下载：https://www.anaconda.com 按需要选择版本下载
在这里插入图片描述
2、路径根据自己实际选择，点击“Next”，直到安装完成

3、配置环境变量
进入系统环境变量点击 Path 添加如下路径（视自己安装路径情况而定）：

E:\Anaconda
E:\Anaconda\Scripts
E:\Anaconda\Library\bin
E:\Anaconda\Library\mingw-w64\bin

4、测试是否安装成功
Win+R进入cmd，输入conda --version，显示如下则安装成功
在这里插入图片描述

Pytorch安装

（一）GPU版本安装
方法一
在线安装
1、打开Anaconda Powershell Prompt，输入conda info --envs，查看安装的环境

在这里插入图片描述
2、进入Pytorch官网：https://pytorch.org/，找到合适自己电脑的版本
https://download.pytorch.org/whl/torch/

在这里插入图片描述
3、复制Run this Command：conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia（视自己情况而定）到Anaconda Powershell Prompt 确认下载

4、测试是否安装成功
在Anaconda Powershell Prompt依次输入

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

显示如下即安装成功

在这里插入图片描述
Torch和Torchvision的版本对应

到Pytorch离线下载资源网站下载对应版本（CPU版本和GPU版本）：https://download.pytorch.org/whl/torch_stable.html

在这里插入图片描述
下载好后复制并切换到Anaconda所在目录，使用“pip”命令安装
pip install “文件名"

在这里插入图片描述

测试是否安装成功
结果与在线安装测试结果相同
（二）CPU版本安装
参考博主：https://blog.csdn.net/weixin_44904136/article/details/123285884

添加清华源：
在cmd下执行如下语句

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
conda config --set show_channel_urls yes
conda config --set ssl_verify false

在Anaconda安装文件下找到.condarc文件（一般在C盘用户目录下）

在这里插入图片描述
恢复默认源：
conda config --remove-key channels

Pytorch实现第一个案例

准备数据

Income1.csv

"","Education","Income"
"1",10,26.6588387834389
"2",10.4013377926421,27.3064353457772
"3",10.8428093645485,22.1324101716143
"4",11.2441471571906,21.1698405046065
"5",11.6454849498328,15.1926335164307
"6",12.0869565217391,26.3989510407284
"7",12.4882943143813,17.435306578572
"8",12.8896321070234,25.5078852305278
"9",13.2909698996656,36.884594694235
"10",13.7324414715719,39.666108747637

# 获取数据，使用Pandas库
import numpy as np
import pandas as pd
import torch#读取csv
data = pd.read_csv('./datasets/Income1.csv')data.head()

在这里插入图片描述

# print(data.Education,data.Income)
import matplotlib.pyplot as plt
#绘制散点，看看教程支出与收入之间的关系
plt.scatter(data.Education,data.Income)
# 设置x轴标签
plt.xlabel('Eduction')
# 设置y轴标签
plt.ylabel('Income')plt.show()

在这里插入图片描述

#将pandas的数据转为pytorch的数据（张量）# data.Education.to_numpy().reshape(-1,1)
X = torch.from_numpy(data.Education.to_numpy().reshape(-1, 1)).type(torch.FloatTensor)# torch.from_numpy
Y = torch.from_numpy(data.Income.to_numpy().reshape(-1, 1)).type(torch.FloatTensor)# 导入专门用于搭建神经网络的模型
from torch import nnclass EasyModel(nn.Module):#初始化模型，实现1层线性网络def __init__(self):#调用父类进行初始化super(EasyModel,self).__init__()#定义中间的一层线性层，输入的维度是1，输出的维度也是1self.linear = nn.Linear(in_features=1,out_features=1)#定义1个前向传播函数，告诉模型如何一层一层往下输出的逻辑def forward(self,inputs):#设置将输入的教育支出，输入到线形层logits = self.linear(inputs)return logits#实例化1个模型，用于训练和预测
model = EasyModel()#定义均方误差为损失函数
loss_fn = nn.MSELoss()
#定义优化器,设置模型参数进来，让优化器修改模型参数，使得误差最小。lr，学习率，调节学习速度快慢
opt = torch.optim.SGD(model.parameters(),lr=0.0001)#训练for epoch in range(5000):for x,y in zip(X,Y): # Python中的zip函数可以将多个可迭代对象打包成一个元组序列，常用于数据处理和数据分析中。zip函数的作用是将多个列表、元组或其他可迭代对象中对应的元素打包成一个元组，然后返回一个由这些元组组成的列表。#先让模型做预测y_pred = model(x)# 预测了，看看误差咋样，计算损失函数loss = loss_fn(y,y_pred)#复原，梯度归零opt.zero_grad()# 根据误差，倒推应该怎么修改参数，反向传播loss.backward()# 使用优化器，更新参数opt.step()#预测结果
#detach用于前向传播计算
Y_pred = model(X).detach()
Y_pred = Y_pred.numpy()#在绘制散掉图
plt.scatter(data.Education,data.Income,c='r',label='real data')
plt.scatter(data.Education,Y_pred,c='g',label='pred data')# 设置x轴标签
plt.xlabel('Eduction')
# 设置y轴标签
plt.ylabel('Income')plt.show()