配置《动手学深度学习v2》环境时anaconda install库失败,处理

纯新手,记录一下学习过程

若安装了anaconda,新建一个python3.8环境并用终端打开它

看这个 安装 — 动手学深度学习 2.0.0-beta0 documentation

 

发现直接安装失败。

使用pip install packName -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

其中packName分别用:

torch==1.10.2

torchvision==0.11.3

d2l==0.17.4

替换,安装。

### 如何在Anaconda中设置和配置GPU环境 #### 创建并激活新的Conda环境 为了确保不同项目之间的依赖关系不会相互干扰,建议创建一个新的Conda环境专门用于GPU加速的应用程序开发。通过命令`conda create --name gpu_env python=3.8`可以建立名为gpu_env的新环境,并指定Python版本为3.8[^1]。 接着,在启动任何操作前应当先激活此新创建的环境,这可以通过执行`conda activate gpu_env`来完成。 #### 安装CUDA工具包与cuDNN 由于TensorFlow和其他深度学习框架需要底层的支持才能利用NVIDIA GPU硬件特性,因此必须预先安装好相应的CUDA Toolkit以及配套的cuDNN于操作系统层面[^2]。注意这里的安装不是针对某个特定的虚拟环境中,而是全局性的软件部署。 #### 配置PyTorch-GPU支持 对于希望使用PyTorch进行机器学习模型训练的情况来说,可以直接借助Conda渠道快速获取预编译好的二进制文件。具体做法是在已激活的目标环境中运行如下指令:`conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch`。这里指定了CUDA toolkit的具体版本号以匹配目标显卡驱动情况。 #### 设置TensorFlow-GPU兼容性 当计划采用TensorFlow作为主要计算平台,则应该考虑按照官方推荐的方式来进行安装。一种方法是利用pip工具直接下载对应版本的tensorflow-gpu模块;例如要获得稳定版v2.x系列的话,可尝试执行语句`pip install tensorflow-gpu==2.0.0`[^3]。不过在此之前务必确认本地已经正确设置了适合当前系统的CUDA/cuDNN组合。 ```bash # 更新pip至最新状态 python -m pip install --upgrade pip # 安装指定版本的tensorflow-gpu pip install tensorflow-gpu==2.0.0 ``` #### 测试GPU可用性 最后一步是要验证所做的一切工作是否真的让应用程序能够检测到并充分利用GPU资源。可以在交互式的解释器里简单测试一下: ```python import torch print(torch.cuda.is_available()) ``` 如果返回True则说明一切正常;反之可能意味着某些环节出现了问题,需仔细排查直至解决为止。
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
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