「Macos」 苹果笔记本 M系列 安装 torch_geometric torch-sparse torch-cluster torch-scatter 等机器学习库指南

背景

默认电脑已经安装好 Anaconda 环境
笔者配置为 MacBook Pro 14寸
CPU 为 M1 Pro

方法一

针对你的 torch 版本去官网下载对应的 whl 文件然后 pip 安装
在这里插入图片描述
地址为: https://pytorch-geometric.com/whl/
在这里插入图片描述
下载好后运行指令

pip install 下载路径/torch_sparse.......whl

方法二

直接终端输入指令
先安装指定版本的 torch 以 2.0.1为例

pip install torch==2.0.1
pip install torch_geometric
pip --no-cache-dir  install  torch-sparse torch-cluster torch-scatter -f https://data.pyg.org/whl/torch-2.0.1+${cpu}.html

需要安装一会 成功后会显示

Successfully built torch-cluster torch-sparse
Installing collected packages: torch-sparse, torch-cluster
Successfully installed torch-cluster-1.6.3 torch-sparse-0.6.18

### 如何通过 Anaconda 安装 `torch_geometric` 要通过 Anaconda 安装 `torch_geometric`,可以按照以下方法操作: #### 1. 创建一个新的 Conda 环境 为了确保兼容性和减少冲突,建议创建一个新的虚拟环境来安装所需的依赖项。可以通过以下命令完成: ```bash conda create -n geometric_env python=3.9 conda activate geometric_env ``` #### 2. 安装 PyTorch 和其相关依赖 由于 `torch_geometric` 高度依赖于 PyTorch,因此需要先安装适合当前系统的 PyTorch 版本。可以从官方渠道获取最新的稳定版本并安装: ```bash conda install pytorch torchvision torchaudio cpuonly -c pytorch ``` 如果系统支持 GPU 加速,则可以选择安装带有 CUDA 支持的版本。例如,对于 CUDA 11.8 的情况,可执行如下命令: ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia ``` 注意,在此过程中可能还需要配置路径变量以便正确识别 CUDA 工具链[^1]。 #### 3. 使用 pip 或 conda-forge 渠道安装 `torch-sparse` 及其他必要组件 尽管部分扩展包如 `torch_sparse` 提供了预编译 `.whl` 文件下载链接[^2],但推荐直接利用 Python 软件管理工具简化流程。具体而言,可通过以下方式引入这些模块: ```bash pip install torch-scatter torch-sparse torch-cluster torch-spline-conv -f https://data.pyg.org/whl/torch-${TORCH_VERSION}+${CUDA_VERSION}.html ``` 这里 `${TORCH_VERSION}` 表示已安装 PyTorch 的确切编号;而`${CUDA_VERSION}` 则对应所使用的 NVIDIA 显卡驱动程序标准(比如无GPU则设为空字符串)。上述指令会自动选取匹配目标平台架构的最佳二进制形式加以部署。 另外一种更简便的办法是从社区维护仓快速拉取整个图形学习框架集合: ```bash conda install -c conda-forge torch-geometric ``` #### 4. 测试安装成功与否 最后一步验证是否能够正常导入该及其附属功能单元测试代码片段如下所示: ```python import torch_geometric.transforms as T from torch_geometric.datasets import Planetoid dataset = Planetoid(root='/tmp/Cora', name='Cora', transform=T.NormalizeFeatures()) print(f'Dataset: {dataset}:') ``` 以上步骤完成后应该可以在基于 Anaconda 的环境中顺利运用 `torch_geometric` 进行图神经网络相关的研究开发工作了。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zoe_ya

如果你成功申请,可以打赏杯奶茶

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值