pytroch AI机器学习环境部署,RTX3080显卡
分类:安装部署
68
网上关于机器学习环境部署的文章资料很多,有些可能只是一部分过程,有些则写得很长很长,遇到一些比较好的但要专业知识才能看得懂。
个人曾经看了一个80分钟环境部署视频,事实上只需要一页文档就能说清楚的,视频作者没剪辑,把所有出错排错搜索的过程也放在里边。
于是自己也做一个pytroch机器学习环境的笔记,完成了在个人电脑上用RTX3080跑机器学习的环境并跑了相关脚本,分享出来,注意是windows平台。网上有用到Conda管理环境的,这里没使用。
环境部署主要分为以下几个大步骤
1、Python安装
2、Pytroch安装
3、CUDA的安装
4、CUDNN的安装
5、环境变量与测试
1、Python安装
在本次安装中选择安装python3.8,从官网下载exe并安装。

2、Pytroch安装
一般上官网下载当前最新版即可,用官网的pip命令直接安装。
再用pip命令安装,有时候cmd看似网速快,下到一半报错了,就得重来。
也可以在官网离线下载后用安装包安装,毕竟离线下载可以用加速工具,不会太慢。
3、CUDA的安装
确定cuda版本,cuda的版本由pytroch决定, 可在pytroch那看cuda用哪个,上边截图显示了用cuda11.7。

下载cuda11.7并安装,比较大,建议用加速工具。
4、CUDNN的安装
cudnn的安装比较奇怪,解压复制到cuda目录即可,默认安装的情况下,CUDA目录于C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA
打开CUDNN的解压目录,将include里的文件复制到CUDA的安装目录下的include文件夹中,将lib里的文件复制到CUDA的安装目录下的lib\x64文件夹中,将bin里文件复制到CUDA的安装目录下的bin文件夹中。
5、环境变量与测试
CUDA_PATH 为CUDA的安装路径。(默认可能在安装CUDA时已经存在)
在系统环境变量中找到变量Path,将CUDA的bin目录路径和CUDNN的bin目录路径添加到其值中。(默认可能在安装CUDA的时已经存在)
安装完成后,可以打开命令行工具,输入nvcc -V命令检查CUDA是否安装正确。如果输出的结果中包含CUDA的版本号,说明安装成功。
个人曾经看了一个80分钟环境部署视频,事实上只需要一页文档就能说清楚的,视频作者没剪辑,把所有出错排错搜索的过程也放在里边。
于是自己也做一个pytroch机器学习环境的笔记,完成了在个人电脑上用RTX3080跑机器学习的环境并跑了相关脚本,分享出来,注意是windows平台。网上有用到Conda管理环境的,这里没使用。
环境部署主要分为以下几个大步骤
1、Python安装
2、Pytroch安装
3、CUDA的安装
4、CUDNN的安装
5、环境变量与测试
1、Python安装
在本次安装中选择安装python3.8,从官网下载exe并安装。
2、Pytroch安装
一般上官网下载当前最新版即可,用官网的pip命令直接安装。
再用pip命令安装,有时候cmd看似网速快,下到一半报错了,就得重来。
也可以在官网离线下载后用安装包安装,毕竟离线下载可以用加速工具,不会太慢。
3、CUDA的安装
确定cuda版本,cuda的版本由pytroch决定, 可在pytroch那看cuda用哪个,上边截图显示了用cuda11.7。
下载cuda11.7并安装,比较大,建议用加速工具。
4、CUDNN的安装
这里是要注册登录后才能下载cudnn的,用工具加速下载。
cudnn的安装比较奇怪,解压复制到cuda目录即可,默认安装的情况下,CUDA目录于C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA
打开CUDNN的解压目录,将include里的文件复制到CUDA的安装目录下的include文件夹中,将lib里的文件复制到CUDA的安装目录下的lib\x64文件夹中,将bin里文件复制到CUDA的安装目录下的bin文件夹中。
5、环境变量与测试
CUDA_PATH 为CUDA的安装路径。(默认可能在安装CUDA时已经存在)
CUDNN_PATH 为CUDNN解压目录的路径 (可以拷贝一个到CUDA目录下,方便统一打理)
在系统环境变量中找到变量Path,将CUDA的bin目录路径和CUDNN的bin目录路径添加到其值中。(默认可能在安装CUDA的时已经存在)
安装完成后,可以打开命令行工具,输入nvcc -V命令检查CUDA是否安装正确。如果输出的结果中包含CUDA的版本号,说明安装成功。