清华源失效后如何安装pytorch1.01

YOLOv8安装避坑指南:Miniconda+PyTorch+Ultralytics版本协同方案 YOLOv8作为主流目标检测框架,其安装本质是构建跨硬件、跨驱动的AI推理基础设施。核心在于理解PyTorch的CUDA二进制依赖机制——不同CUDA Toolkit版本(如11.7/12.1)与对应torch wheel(如+cu117)必须严格匹配;同时Ultralytics自v8.0.200起重构API,要求显式指定>=8.0.200版本以避免ModuleNotFoundError。Miniconda通过环境隔离和conda-forge二进制兼容性管理,成为解决Python版本冲突、驱动不匹配、包依赖 阅读详情

         今天本想体验下最新版的pytorch1.01,结果发现conda install时候HTTP error了,查了一下原来从4月25日其国内的清华源、中科大源等陆续关停服务,无奈又只能恢复到Anaconda官网的原始源,我的心情拔凉拔凉的,只能这样啦,安装过程中如何提速记录分享一下。我的GPU是Nvidia 2080ti,CUDA版本10.0,所以我在不同的虚环境中同时安装CPU版本和GPU版本。

1.恢复官方源

由于清华源和中科大源已经不能使用,因此先移除

conda config --remove-key channels

原始C:\Users\Administrator\.condarc下文件为:

channels:

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

- anaconda-fusion

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/

show_channel_urls: true

ssl_verify: true

删除后为:

show_channel_urls: true

ssl_verify: true

2. “想办法”访问pytorch官网pytorch.org,选择平台会生成安装指令

从官网上可以看到,GPU版本的安装指令为:

conda install pytorch torchvision cudatoolkit=9.0 -c pytorch

 

CPU版本的安装指令为:

conda install pytorch-cpu torchvision-cpu -c pytorch

注意,这一步只是告诉大家用conda安装时候的命令,实际不能“想办法”上官网的童鞋也可以直接用这个命令装,但不管能不能看到官网,安装pytorch都巨慢,这里使用这个命令只是为了让Conda自动解决安装pytorch时候的依赖,不然自己找来安装有点麻烦,实践证明,除了安装pytorch会超时,其他都很快,不需要“想办法”。我安装时候的顺带自动安装的包如下图:

3.使用IDM Downloader直接下载安装包:

GPU版本:

https://conda.anaconda.org/pytorch/win-64/pytorch-1.0.1-py3.6_cuda100_cudnn7_1.tar.bz2

CPU版本:

https://conda.anaconda.org/pytorch/win-64/pytorch-cpu-1.0.1-py3.6_cpu_1.tar.bz2

 

用IDM下载巨快,否则巨慢

4.清除本地下载缓存

本地由于第三步conda下载失败,需要先把不完整的下载缓存清除,位置在anaconda/dpkg目录下,刚才未完成下载的pytorch-1.0.1-py3.6_cuda100_cudnn7_1.tar.bz2包及其解压文件夹一起删除。

5.使用第三步下载的安装包本地安装

conda install --use-local pytorch-1.0.1-py3.6_cuda100_cudnn7_1.tar.bz2

 

conda install --use-local pytorch-cpu-1.0.1-py3.6_cpu_1.tar.bz2

6.测试一下OK

import torch
print(torch.__version__)

7.附上pip包下载地址,当然这个就需要能“想办法”出去下载

 

https://download.pytorch.org/whl/cpu/torch-1.0.1-cp36-cp36m-win_amd64.whl

https://download.pytorch.org/whl/cu100/torch-1.0.0-cp36-cp36m-win_amd64.whl     #cuda10.0

以上步骤中,第三四五步都可以直接进行,不需要“想办法”出去。

 

 

 

 

 

 

 

 

PyTorch安装失败根源:CUDA驱动与运行时三层匹配模型 PyTorch并非单纯Python包,而是深度耦合硬件、驱动与运行时的系统级框架。其核心依赖于CUDA计算生态——从GPU计算能力(SM架构)到NVIDIA驱动版本,再到cuDNN和glibc等运行时库,任一环节错位都会导致import失败或cuda.is_available()为False。理解CUDA Toolkit与PyTorch wheel的绑定机制、驱动对CUDA版本的向下兼容性、以及LD_LIBRARY_PATH等动态链接路径控制,是解决‘libcudnn.so.8找不到’‘nvidia-smi 阅读详情

相关推荐

PyTorch版本选择与VSCode集成:如何避免版本冲突和镜像源失效?

本文详细介绍了PyTorch版本选择与VSCode集成的实战指南,帮助开发者避免版本冲突和镜像源失效问题。通过分析PyTorch与CUDA的兼容性、VSCode环境管理策略以及镜像源优化技巧,提供了一套高效的版本管理方案,特别适合团队协作和项目迁移场景。

weixin_28842269的博客 81

Windows10和Anaconda上安装pytorch1.1.0(清华源中科大源等都不可用的情况下)

2019.05月份由于Anaconda的清华源中科大源已无法使用 因此无法通过conda安装pytorch,通过官方源网速十分慢,而且基本无法安装,会各种Error 此时我们可以通过pip安装。 pip3 install https://download.pytorch.org/whl/cu90/torch-1.1.0-cp37-cp37m-win_amd64.whl pip3 install...

weixin_43100729的博客 7897

OpenClaw本地部署:ROS 2+PyTorch灵巧操作技能开发全栈指南

机器人灵巧操作是具身智能落地的关键技术环节,其核心在于物理交互建模、实时闭环控制与仿真-真机协同训练。OpenClaw作为面向真实机械臂技能开发的开源框架,深度融合ROS 2(Humble)、PyTorch与MuJoCo,聚焦末端执行器级微米级力觉-视觉-运动耦合建模。它不提供通用大模型API,而是通过本地化部署保障<5ms控制延迟,满足力控稳定性刚性需求。技术价值体现在大幅降低ROS 2环境配置门槛——将Ubuntu 22.04、CUDA 11.8、PyTorch 2.0.1等十余组件的ABI兼容、路径隔

614

win10中pytorch以及torchvision安装填坑

安装pytorch以及torchvision过程中遇到了一些问题,记录下来以便日后复习,也希望给遇到相同问题的小伙伴一些启发。 1.安装pytorch anaconda和cuda的安装过程这里不再说明,本文使用的是python3.6和cuda8.0 参考网上一些大佬的教程用conda命令执行官网上的相关命令时,安装过程实在是太慢了,使用了清华源也不能很好地得到解决。于是转战pip3;使用py...

smilexuxu123的博客 1200

Whisper小白安装教程:四层拆解,从Python环境到中文语音转写

Whisper 是 OpenAI 开源的端到端语音识别模型,本质是基于 PyTorch 的离线推理系统,依赖 Python 环境、CUDA 加速、FFmpeg 音频处理及预训练模型资源。其安装难点不在算法本身,而在于多层技术栈协同——运行环境(Python 版本与虚拟环境)、工具链(Git/FFmpeg/CUDA)、模型资源(大文件下载与校验)、推理封装(openai-whisper vs whisper.cpp)缺一不可。尤其在国内网络与混合硬件环境下,pip 源不稳定、CUDA 版本错配、模型下载中断、

cuanku6549的博客 487

新Ubuntu 22.02/远程 安装软件 配置cuda环境 大模型开发 torch 环境

1.nvidia驱动3.安装星火商店3.输入法linuxwindows在C:\Users\用户名\pip\pip.ini中添加这一行,保存即可[global]

具身机器人和通用AI 471

windows下pytorch安装时清华园镜像不可用的解决方法

windows下pytorch安装时清华园镜像不可用的解决方法

初学者的博客 1429

pytorch1.01的whl文件

torch-1.0.1-cp36-cp36m-win_amd64.whl,用于windows64位系统下安装pytorch的离线安装包,python3.6版本,建议在虚拟环境下pip install torch-1.0.1-cp36-cp36m-win_amd64.whl

Pytorch- 1.1 Pytorch 简介及安装(配置cuda-torch环境)

Pytorch 简介 Torch是什么? Torch是一个与Numpy类似的张量(Tensor)操作库,与Numpy不同的是Torch对GPU支持的很好,Lua是Torch的上层包装. PyTorch和Torch使用包含所有相同性能的C库:TH, THC, THNN, THCUNN,并且它们将继续共享这些库。其实PyTorch和Torch都使用的是相同的底层,只是使用了不同的上层包装语言。 PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。 它主要由Fa

weixin_42888638的博客 3551

避坑指南:锐浪报表PictureBox打印图像常见的5大问题及解决方案

本文深入剖析了锐浪报表(Grid++Report)中PictureBox控件打印图像时常见的五大难题,包括图像源加载机制、拉伸失真、动态加载失败、跨平台兼容性及性能优化。文章提供了从原理理解到实战解决方案的完整指南,帮助开发者有效规避图像打印中的常见陷阱,确保报表输出的稳定与高质量。

water的专栏 1148

STM32控制气泵和电磁阀实现

2、mos管的选型:mos管选择主要注意两个参数即可,一是导通的电流,二是耐压值,并且常用NMOS管,根据要求,气泵和电磁阀供电电压为12V,所以选择的mos管耐压值要大于12V,这里选用耐压值为30V的MOS管,并且导通电流为5.8A,如下图。1、气泵和电磁阀的开和关均为开关量,实现控制方法有多种,比如继电器,但是继电器动作有噪声且体积较大,更好的方法为使用mos管。使用STM32控制气泵和电磁阀的开和关,气泵和电磁阀的供电电压为12V。最终实现单片机控制气泵和电磁阀的开和关。

jacklood的博客 1万+

conda虚拟环境安装pytorch=1.0.1【pytorch老版本安装】

conda虚拟环境安装pytorch=1.0.1【pytorch老版本安装】 pytorch安装1.0.1版本报错

swjtu_pl的博客 2058

QMI8658姿态传感器实战:从校准到自检的完整避坑指南

本文详细解析了QMI8658姿态传感器的校准与自检流程,提供了从硬件环境搭建到高级功能开发的完整避坑指南。通过真实案例揭示电源设计、接口优化、温度补偿等关键细节,帮助开发者提升传感器精度和可靠性,适用于工业级应用场景。

weixin_29184075的博客 454

win10+py3.6+cuda9.0安装pytorch1.1.0

参考:清华源失效后如何安装pytorch1.01 GPU版本的安装指令为: 1 conda install pytorch torchvision cudatoolkit=9.0 -c pytorch 这里使用这个命令只是为了让Conda自动解决安装pytorch时候的依赖 转载于:https://www.cnblogs.com/qqw-1995/p/1140...

weixin_30256901的博客 768

在linux上本地大模型部署与推理

您的Python脚本(客户端)可能在您的个人电脑上,而模型服务(服务器)在远程Linux服务器上。如果您的服务器有强大的NVIDIA GPU,并且您对性能有更高的要求(例如需要高吞吐量),vLLM是更好的选择。这种方式无需向公网暴露服务器端口,而是通过加密的SSH通道将服务器的端口“映射”到您的本地电脑上。我们将启动一个API服务器,它会加载您指定的模型,并等待您的代码前来调用。如果您直接在SSH窗口运行上面的命令,一旦您关闭窗口,服务就会停止。这是根据您的原始代码修改的版本,适配本地vLLM服务。

frostmelody 全网同名,大家多多关注呀~ 持续分享优质内容! 2051

做小程序支付时,我是怎么被“虚拟支付”绊了一跤的

微信小程序支付开发中,普通支付与虚拟支付存在本质差异。开发者常误将虚拟权益(会员、点数等)当作普通商品支付,导致审核失败。两者在审核关注点、结算方式、API调用及平台政策上都截然不同。关键点在于:1)先明确交易对象类型;2)产品命名需真实反映权益性质;3)支付成功≠业务完成;4)审核说明要详细描述交付逻辑;5)避免依赖过时规则。正确顺序应是:判断商品属性→选择支付类型→设计订单系统→准备审核材料。这个认知差异比技术实现更重要,提前理解平台规则可大幅减少返工。

zhurizhe71的学习之路 2577

学习记录01-环境的安装部署-基于Pycharm+Pytorch+Python

、

m0_57008586的博客 1034

PRD撰写效率翻倍秘籍:我是如何用大模型+飞书文档搭建自动化工作流的

本文分享了如何利用大模型与飞书文档构建自动化工作流,以大幅提升PRD撰写效率。通过结构化需求输入、设计模块化提示词模板,并借助自动化脚本桥接数据与文档,产品经理可将繁琐的文档撰写工作自动化,从而将精力聚焦于产品战略与用户洞察。

weixin_28520495的博客 404

PyTorch与torchtext版本匹配避坑指南:CUDA 11.1环境下的完整安装流程

本文详细解析了在CUDA 11.1环境下PyTorch与torchtext的版本匹配问题,提供了完整的安装流程和避坑指南。通过明确的版本对应关系和验证步骤,帮助开发者避免常见的GPU加速失效和功能异常问题,确保深度学习项目顺利运行。

silver的专栏 309

从 Integrated Configuration 到 Integration Flow,SAP PI/PO 老配置迁移的一次温和重构

很多还在运行 SAP PI/PO 的系统,Integration Directory 里都积累了不少 Integrated Configuration,也就是日常项目里常说的 ICO。它们可能稳定运行了多年,负责把采购订单、物料主数据、客户主数据、发票、发货通知从一个系统送到另一个系统。问题在于,ICO 这种对象很实用,却不够直观。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 95

如何为 Claude Code 配置代理与网络环境

那么大概率不是软件问题,而是。因为 Claude Code 是运行在终端里的,不是浏览器。

sg_knight的专栏 3478

PyTorch安装失败常见问题汇总及Miniconda环境修复方法

深度学习项目启动常卡在环境配置,尤其是PyTorch无法识别GPU或依赖冲突。本文详解Miniconda如何通过环境隔离、智能依赖解析和国内镜像加速,解决CUDA版本不匹配、pip与conda混用崩溃、网络下载失败等典型问题,并提供可复现的environment.yml方案,确保团队协作和跨平台部署一致可靠。

weixin_32921023的博客 649

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Pytorch学习笔记

本文介绍了PyTorch框架下经典卷积神经网络(CNN)的原理与实战应用。

weixin_73533509的博客 285

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

零基础搭建AI测试环境:从Python到PyTorch的完整指南

在人工智能和机器学习领域,环境配置是实践探索的第一步,也是许多初学者面临的首要挑战。其核心原理在于创建一个隔离、可控的虚拟环境,以解决不同项目间依赖库版本冲突的问题,确保实验的可复现性。这一技术实践的价值在于为开发者提供一个稳定的沙箱,能够安全地测试各种AI框架和模型,而不会影响主力工作环境。从应用场景来看,无论是运行开源大模型、测试AI框架,还是训练图像分类模型,一个配置得当的测试环境都是高效学习和开发的基础。本文聚焦于使用Miniconda和WSL2等工具,手把手教你搭建一个功能完备的AI开发环境,并重

353

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

PyTorch实战指南:从环境搭建到模型训练全流程解析

深度学习框架是现代人工智能应用的核心工具,它通过构建计算图实现自动微分,极大简化了神经网络的开发流程。PyTorch作为动态图框架的代表,以其灵活性和易用性在研究和工业界广受欢迎。其技术价值在于提供了从张量操作、自动微分到模块化网络构建的一整套解决方案,显著提升了模型开发与实验迭代效率。在应用场景上,PyTorch广泛用于计算机视觉、自然语言处理和大语言模型开发。本文聚焦于PyTorch的实战入门,详细拆解了**环境搭建**中版本匹配的常见陷阱,并系统介绍了**张量操作**、自动微分机制以及标准训练循环的构

weixin_34245082的博客 397

Docker容器化部署Rasa 2.1.x GPU训练环境实战

Rasa 是基于 Transformer 架构的企业级开源对话机器人框架,其 NLU 组件(如 ConveRTFeaturizer)天然支持 GPU 加速,但实际落地常因 CUDA 版本冲突、cuDNN 兼容性、PyTorch ABI 不匹配等问题导致 torch.cuda.is_available() 返回 False。本质是深度学习环境的可复现性缺失——本地 conda 环境难以隔离驱动、运行时与模型依赖的耦合。Docker 通过不可变镜像封装操作系统、CUDA 运行时、cuDNN 和 Rasa 代码,

weixin_30376509的博客 381
上一篇: 【论文阅读笔记】Learning Hierarchical Representations of Electronic Health Records for Clinical Outcome
下一篇: 【论文阅读笔记】RETAIN: An Interpretable Predictive Model for ealthcare using Reverse Time Attention Mechani
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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