PyTorch 装置和环境性能 Ubuntu 18.04 (pytorch)
本文目录导航：
PyTorch 装置和环境性能（Ubuntu 18.04）
在Ubuntu 18.04上装置和性能PyTorch，首先从装置Anaconda开局。
首先，找到Anaconda的装置文件，双击运转，依照装置导游的揭示一路选用yes或enter，但最后在装置Visual Studio Code时，选用no。
装置成功后，审核环境变量$PATH，假设没有蕴含/home/***/anaconda3/bin，须要手动参与。
最后，只有在终端输入python，假设产生Anaconda揭示，说明装置已成功。
接着装置PyTorch，为了减速装置环节，倡导改换源。
访问PyTorch官方，找到适宜自己系统的装置命令，留意移除-c前面的参数。
进入Python环境后，输入关系命令启动测试。
假设装置顺利，没有任何失误揭示，那么祝贺你，PyTorch曾经成功装置了。
在装置环节中，假设遇到疑问，可以参考关系的教程或官方文档，由于或者会产生一些失误消息，这时刻查阅文档是处置疑问的主要。
总的来说，依照上述步骤，您应该能在Ubuntu 18.04上顺利成功PyTorch的装置和环境性能。
手把手教你在升腾平台上搭建PyTorch训练环境
在升腾平台上运转PyTorch业务时，需搭建异构计算架构CANN软件开发环境，并装置PyTorch框架，以成功训练脚本的迁徙、开发和调试。
本文由华为云社区《手把手教你在升腾平台上搭建PyTorch训练环境》作者升腾CANN分享。
PyTorch是盛行的深度学习框架，实用于开发深度学习训练脚本，自动运转在CPU/GPU上。
在升腾AI处置器上运转PyTorch业务时，需搭建异构计算架构CANN（Compute Architecture for Neural Networks）软件开发环境，并装置PyTorch框架，成功训练脚本的迁徙、开发和调试。
以下将引见如何在升腾平台上极速装置驱动固件、CANN软件及PyTorch框架。
环境审核：在升腾平台上装置驱动和固件前，需审核装置环境的NPU能否反常在位，并确认操作系统版本与内核版天性否满足配套要求。
以Atlas 800训练主机（型号：9010）（升腾AI处置器型号Ascend 910）为例，审核NPU能否反常在位可口头lspci | grep d801命令，主机上有N路NPU，回显N行含“d801”字段，则示意NPU反常在位。
装置驱动和固件：1.创立驱动运转用户HwHiAiUser。
2.装置驱动和固件。
在升腾社区的“固件与驱动”下载页面下载配套产品的固件驱动软件，并上行到主机恣意目录，而后参考如下命令启动固件驱动软件包的装置，须要留意，须要以root用户启动装置。
a.为软件包参与可口头权限。
b.装置驱动。
自动装置门路为“/usr/local/Ascend”，产生相似如下回显消息，说明装置成功。
您还可以经过口头npu-smi info命令检查，产生相似如下消息，说明驱动加载成功。
c.装置固件。
产生类型如下回显消息，说明装置成功。
3.驱动固件装置成功后，重启系统。
装置CANN软件依赖：CANN软件装置环节须要下载关系依赖，请确保装置环境能够衔接网络，并已性能软件源，以下步骤以root用户操作为例。
1. 装置第三方依赖。
Ubuntu系统（Debian、UOS20、Linux等系统操作分歧）。
openEuler系统（EulerOS、CentOS、BCLinux等系统操作分歧）。
2. 装置Python及其依赖。
以装置Python 3.7.5为例。
1）经过wget命令下载python3.7.5源码包。
2）解紧缩源码包。
3）源码编译装置Python。
以--prefix=/usr/local/python3.7.5门路为例启动说明。
口头性能、编译和装置命令后，装置包在/usr/local/python3.7.5门路。
4）设置python3.7.5环境变量。
5）审核能否装置成功。
前往关系版本消息，则说明装置成功。
6）装置pip依赖。
装置CANN开发套件包：1. 从升腾社区“CANN”产品页，依据操作系统架构下载CANN开发套件包。
例如“Ascend-cann-toolkit_1_linux-x86_”，并将其上行到装置环境恣意目录。
2. 装置CANN开发套件包。
装置成功后，若显示如下消息，则说明软件装置成功：xxx示意装置的实践软件包名。
装置PyTorch：CANN软件包装置成功后，就可以启动PyTorch的装置了。
开发者可以选用PyTorch 1.8.1或PyTorch 1.11.0版本，PyTorch装置成功后再装置APEX混合精度模块。
在装置Pytorch前，须要先装置以下依赖。
装置PyTorch 1.8.1：1）装置官方torch包。
x86_64架构；aarch64架构。
2）装置升腾提供的PyTorch适配插件torch_npu。
x86_64架构；aarch64架构。
此处以1版本为例，实践请选用CANN配套的PyTorch插件版本启动装置。
3）装置对应框架版本的torchvision。
4）验证能否装置成功。
假设输入蕴含如下主要消息则说明PyTorch装置成功。
装置PyTorch 1.11.0：1）装置官方torch包。
x86_64架构；aarch64架构。
2）装置升腾提供的PyTorch适配插件torch_npu。
x86_64架构；aarch64架构。
3）装置对应框架版本的torchvision。
4）验证PyTorch能否装置成功。
假设输入蕴含如下主要消息则说明PyTorch装置成功。
装置APEX混合精度模块：APEX混合精度模块是一个集优化性能、精度收敛于一身的综合优化库，可以提供不同场景下的混合精度训练允许。
1. 失掉升腾适配的APEX源码以及原生APEX代码。
2. 切换到原生APEX代码对应分支。
3. 在升腾适配APEX源码目录的scripts门路下生成升腾适配全量代码。
4. 编译生成升腾适配的APEX二进制装置包。
5. 装置APEX。
86_64架构；aarch64架构。
到此，PyTorch训练环境就搭建终了了，开发者可以将PyTorch网络脚本迁徙到升腾平台口头训练，经常使用升腾平台的弱小算力。
关于更多文档引见，可以在升腾文档核心[1]检查，您也可在“升腾社区在线课程[2]”板块学习视频课程，学习环节中的任何不懂，都可以在“升腾论坛[3]”互动交换！[1] 升腾文档核心[2] 升腾社区在线课程[3] 升腾论坛点击关注，第一期间了解华为云新颖技术~
干货分享|PyTorch 2.0 GPU开发环境搭建
在搭建深度学习开发环境时，重点在于装置GPU版本的PyTorch 2.0，以优化运转速度。
本文将针对不同Nvidia显卡选用GPU版本，并具体引见PyTorch 2.0 GPU Nvidia运转库的装置步骤。
关于须要调用公用编译器的PyTorch来说，不同显卡需对应不同的依赖计算包版本。
例如，20/30/40系列显卡倡导装置11.6以上版本的CUDA及cuDNN 8.1以上。
而10系列显卡则介绍经常使用2.0版本以前的PyTorch。
以CUDA 11.7 + cuDNN 8.2.0为例，本文将展现完整的装置流程，包括Nvidia显卡驱动、cuDNN文件下载与装置，以及经过conda或pip装置PyTorch及其关系组件。
首先，装置CUDA 11.7。
访问官方下载页面，选用适宜操作系统的本地化妆置模式，下载并运转装置程序。
确保经常使用自动门路装置，以防止门路抵触。
接着，下载并解压对应的cuDNN文件至CUDA装置目录。
留意选用与操作系统相婚配的版本，并确保cuDNN版本与CUDA版本兼容。
性能环境变量，将CUDA门路参与至系统Path中。
若经常使用exe文件装置cuDNN，则此步骤已智能成功，仅需验证即可。
最后，经过conda或pip装置PyTorch及关系软件。
关于已装置Miniconda或Anaconda的用户，经常使用conda命令，指定CUDA版本；而间接装置Python的用户，则经常使用pip命令装置。
装置成功后，经过运转Python代码验证PyTorch 2.0 GPU版天性否正确装置。
示例代码包括导入PyTorch、打印版本消息、审核GPU可用性、显示GPU数量、CUDA版本、索引号及称号。
本文基于《PyTorch 2.0深度学习从零开局学》一书，该书内容涵盖从概述到实战案例，包括数据处置、模型可视化、强化学习、人造言语处置等深度学习技术，旨在协助读者极速把握深度学习算法及经常出现运行。
欲了解更多细节及实战案例，介绍参考《PyTorch 2.0深度学习从零开局学》一书，本书由出版社和作者授权颁布，您可在当当或京东平台上购置。
phper