pytorch+tensorflow+sklearn安装教程(conda版)

部署运行你感兴趣的模型镜像

conda环境创建

conda create -n env_name python=x.x
  • conda虚拟环境命令
conda -V  #查看conda版本
conda info -e  #查看conda虚拟环境
conda activate en_name  #进入conda虚拟环境
conda list  #查看安装了哪些包
conda install pkg_name  #安装包
conda uninstall pkg_name  #删除包
pip install pkg_name  #安装包
pip uninstall pkg_name  #删除包
conda deactivate  #退出虚拟环境
conda remove -n env_name --all  #删除虚拟环境
conda update conda  #检查更新conda

安装requirements

pip freeze > requirements.txt #导出环境到txt文件
pip install -r requirements.txt

pytorch安装

  • 查看cuda版本
nvidia-smi
  • pytorch安装:pytorch官网
    注意:选择cuda版本应小于等于上面的cuda版本在这里插入图片描述
    获取安装命令,如下:
conda install pytorch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 cudatoolkit=11.3 -c pytorch

(安装较慢,可添加镜像)

pytorch-geometric安装

进入官网:https://pytorch-geometric.com/whl/index.html

  • 选择上面安装的pytorch版本和cuda版本,依次安装四个依赖包(复制链接安装,和python版本和操作系统对应)

  • 安装pytorch-geometric

pip install https://data.pyg.org/whl/torch-1.11.0%2Bcu115/torch_cluster-1.6.0-cp39-cp39-win_amd64.whl
pip install https://data.pyg.org/whl/torch-1.11.0%2Bcu115/torch_scatter-2.0.9-cp39-cp39-win_amd64.whl
pip install https://data.pyg.org/whl/torch-1.11.0%2Bcu115/torch_sparse-0.6.14-cp39-cp39-win_amd64.whl
pip install https://data.pyg.org/whl/torch-1.11.0%2Bcu115/torch_spline_conv-1.2.1-cp39-cp39-win_amd64.whl
pip install pytorch-geometric

或直接官网:https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html

conda install pyg -c pyg
conda install pytorch-sparse -c pyg

验证

python
import torch
torch.cuda.is_available()

都没有出错,则安装成功

tensorflow安装

  • 新建一个conda环境
  • 直接conda命令安装keras即可,可同时安装tensorflow
conda install keras==x.x.x

sklearn库安装

pip install scikit-learn

DGL_cuda创建

  • DGL官网 根据cuda版本选择对应的命令
  • 指定DGL版本
    – 若已经安装了不需要的DGL版本,则要删除现有版本:
    conda uninstall -c dglteam dgl-cuda10.2 (cuda10.2可根据自己的环境调整)
    指定删除版本:conda uninstall -c dglteam dgl-cuda10.2==0.5.0
    (cuda10.2==0.5.0可根据自己的环境调整,使用 conda list 可以查看使用的当前版本)
  • 若尚未安装DGL:直接指定版本即可:conda install -c dglteam dgl-cuda10.2==0.4.3post2

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库,基于 Torch 库,底层由 C++ 实现,应用于人工智能领域,如计算机视觉和自然语言处理

### 完美配置、优化和集成 TensorFlow, PyTorch, Keras, Sklearn 与开发工具 #### 配置虚拟环境 为了确保不同项目之间的依赖项不会相互冲突,建议为每个主要项目创建独立的Python虚拟环境。对于TensorFlow和其他机器学习库来说,这一步尤为重要。 ```bash conda create -n ml_env python=3.8 conda activate ml_env ``` 上述命令用于创建一个新的Conda环境`ml_env`并激活该环境[^2]。选择合适的Python本非常重要;这里选择了较新的 Python (3.8),因为它支持更多最新的软件包更新。 #### 安装必要的库 一旦设置了虚拟环境,下一步就是安装所需的机器学习库: ```bash pip install tensorflow torch torchvision torchaudio scikit-learn keras ``` 这些命令会下载并安装最新TensorFlowPyTorch及其相关组件以及Scikit-Learn和Keras。确保所有库都处于同一环境中可以简化跨库操作,并减少潜在兼容性问题的发生。 #### 设置 Jupyter Notebook/Lab 支持 为了让Jupyter能够识别新设置的内核,在完成以上步骤之后还需要执行如下指令来注册当前活跃的 Conda 环境给 Jupyter 使用: ```bash python -m ipykernel install --user --name=ml_env ``` 此命令使得可以在启动后的任何 Jupyter 笔记本中切换到 `ml_env` 这一特定环境下的解释器运行代码片段[^1]。 #### 整合 TensorBoard 到 JupyterLab 中 要使 TensorBoard 更加便捷地工作于 JupyterLab 内部,则需额外安装一个插件: ```bash jupyter labextension install @jupyterlab/tensorboard ``` 安装完成后重启 JupyterLab 即可看到新增的功能选项卡允许轻松管理 TensorBoard 实例。 #### Visual Studio Code 的最佳实践 当涉及到更复杂的工程化需求时,Visual Studio Code 成为了理想的选择之一。除了基本编辑功能外,还应考虑以下几个方面来进行进一步定制: - **扩展市场**: 寻找适合 ML/DL 开发者的流行插件,比如 Pylance 提供智能感知服务; - **调试模式**: 启用远程连接至训练服务器上的进程以便实时跟踪程序状态变化; - **Git 集成**: 方便团队协作过程中本控制文件同步。 综上所述,通过精心规划各个部分间的交互方式——从基础架构搭建直至高级特性应用层面——可以使整个开发生命周期变得更加高效流畅。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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
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