conda搭建torch开发环境

conda create -n torch python=3.8

conda activate torch

pip install transformers

pip install torch

conda install numpy jupyter
conda install pytorch torchvision -c pytorch
conda install -c conda-forge matplotlib 
conda install pandas scikit-learn plotly
conda install -c conda-forge opencv seaborn
### 使用 Conda 搭建 PyTorch 环境 #### 创建新的 Conda 环境 为了确保环境的纯净度和兼容性,在开始之前建议先创建一个新的 Conda 虚拟环境。这一步骤能够有效隔离不同项目的依赖关系,防止冲突发生。 ```bash conda create --name pytorch_env python=3.8 ``` 此命令会建立名为 `pytorch_env` 的新环境并设置 Python 版本为 3.8[^2]。 #### 配置国内镜像源加速下载速度 考虑到网络因素可能导致安装过程缓慢甚至失败,推荐配置清华大学 TUNA 镜像源以加快软件包获取的速度: ```bash conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes ``` 这些指令将添加清华镜像作为默认渠道之一,并开启显示频道 URL 功能以便于追踪来源[^1]。 #### 安装 PyTorch 及其相关组件 一旦环境准备就绪,则可继续执行 PyTorch 库及其依赖项的具体安装操作。对于大多数情况而言,默认安装已经足够支持常规开发需求;然而如果存在特殊硬件(如 GPU),则需额外指明具体版本号以及是否启用 CUDA 支持等功能特性。 ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch -c nvidia ``` 上述例子展示了如何通过指定 `-c` 参数从官方通道 (`pytorch`) 和 NVIDIA 提供的支持 CUDA 工具集 (nvidia) 中安装带有 CUDA 加速功能的 PyTorch 发行版[^4]。 #### 测试安装成果 完成以上步骤后,应当验证所构建的 PyTorch 开发环境能否正常运作。最简单的方式是在交互式解释器或者 Jupyter Notebook 内运行一段简单的代码片段来进行初步检测。 ```python import torch print(torch.cuda.is_available()) ``` 这段脚本用于确认系统是否成功识别到了可用的 GPU 设备[^3]。 #### 日常管理技巧 每次启动终端时都需要手动激活对应的工作空间,可通过如下方式快速切换至目标环境: ```bash conda activate pytorch_env ``` 当结束当前任务返回全局状态时,只需输入以下命令即可安全退出任何活动中的虚拟环境: ```bash conda deactivate ``` 此外,若遇到某些第三方扩展无法正常使用的情况,尝试更新或重装该模块往往能解决问题所在: ```bash pip install --upgrade --force-reinstall package_name ```
评论 1
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