RTX2060 —— Anaconda+CUDA+Cudnn+Pytorch安装(四)Pytorch安装

本文详细介绍了如何在Anaconda环境下搭建Pytorch GPU环境,包括创建虚拟环境、安装Pytorch及torchvision,以及如何测试GPU是否成功连接。适用于拥有RTX2060显卡并希望进行深度学习开发的用户。

1. 创建pytorch虚拟环境(python 3.6)

输入命令

conda create -n <pytorch环境名> python==3.6

在这里插入图片描述激活该环境

conda activate <pytorch虚拟环境名>

2. 利用conda安装对应版本的Pytorch

登录Pytorch官网,按照自己的系统选择相应的Pytorch版本
在这里插入图片描述
输入网页上Run this Command中的命令:

conda install pytorch torchvision cudatoolkit=10.0 -c pytorch

等待它安装完成即可。

但是由于外网下载速度非常慢,容易中断,所以稍后我会回来更新,给出安装包哦,下载好后直接cd到whl文件所在的目录下,(确保自己在为pytorch搭建的虚拟环境的情况下)执行命令。

pip install <whl文件名>

3. 安装torchvision

如果是手动安装的pytorch,则需要继续安装torchvision。
首先当输入命令为conda install torchvision -c pytorch的时候显示找不到安装包
在这里插入图片描述

因此使用

pip install torchvision

在这里插入图片描述安装成功!

4. 测试pytorch-gpu

  • 输入代码
import torch
torch.cuda.is_available()

在这里插入图片描述

  • 返回值为True
    说明pytorch gpu安装成功

参考链接
https://blog.youkuaiyun.com/hello_dear_you/article/details/84677743

我的相关文章

RTX2060 —— Anaconda + CUDA 10.0 +Cudnn 7.3 + Tensorflow-GPU + Keras 安装(一)Anaconda3
RTX2060 —— Anaconda + CUDA 10.0 +Cudnn 7.3 + Tensorflow-GPU + Keras 安装(二)CUDA10.0 & cuDNN 7.3
RTX2060 —— Anaconda + CUDA 10.0 +Cudnn 7.3 + Tensorflow-GPU + Keras 安装(三)Tensorflow + Keras
RTX2060——Anaconda+CUDA+Cudnn+Pytorch安装(四)Pytorch安装

### RTX 4060 深度学习环境配置教程 #### 创建 Anaconda 虚拟环境并安装 Python 版本 为了确保兼容性和稳定性,在 Windows 11 上使用 RTX 4060 显卡时,建议通过 Anaconda 来管理 Python 环境。可以利用如下命令来创建名为 `pytorch` 的新虚拟环境,并指定所需的 Python 版本: ```bash conda create -n pytorch python=3.9 ``` 此操作会自动处理依赖关系并设置合适的路径[^1]。 #### 配置国内镜像源加速下载速度 考虑到网络因素可能影响软件包获取效率,推荐配置持久性的中国区镜像资源作为默认仓库地址。这一步骤能够显著提升后续组件安装过程中的响应时间与成功率。 #### 安装 Visual Studio Code 编辑器 Visual Studio Code (VSCode) 是一款广受好评的支持多种编程语言的轻量级编辑器。对于从事机器学习项目的研究人员来说,它提供了丰富的插件生态系统,特别是针对 Jupyter Notebook 和 Git 工作流的支持尤为出色。可以从官方网站下载适用于 Windows 平台的应用程序文件进行本地部署[^3]。 #### 设置 NVIDIA CUDA Toolkit 及 cuDNN 库 由于 PyTorch 支持 GPU 加速计算功能,因此需要先完成对 NVIDIA 提供的 CUDA 开发工具集及其配套神经网络推理引擎——cuDNN 的集成工作。具体版本的选择应当依据所使用的 PyTorch 发布版说明文档给出的要求为准。通常情况下,可以通过官方渠道获得最新稳定发行版本,并遵循其提供的指导手册来进行正确无误的操作流程[^2]。 #### 安装 PyTorch 框架实现 GPU 训练模型 当上述准备工作全部就绪之后,就可以着手准备引入核心框架本身了。鉴于当前硬件条件(即搭载 GeForce RTX 4060),应该优先考虑采用预编译好的二进制分发形式而非自行编译的方式。借助于 Conda 渠道可以直接调用一行简单的指令快速完成整个过程: ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch-nightly ``` 这条语句不仅包含了必要的库文件还指定了特定版本号以匹配目标图形处理器架构特性。
评论 4
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