Windows/Linux安装PyTorch并实现多分类任务

Answer 1

姊妹篇：

第一部分：安装PyTorch前言

配置编程环境时，搜索能力至关重要。在配置环境时，参考多篇文章。具备英文阅读能力的开发者应参考官方教程。遇到问题时，将错误信息放入搜索引擎中搜索。通常，通过多次尝试和花费时间，环境配置问题总能得到解决。

本文提供了一个大体可行的指导方案，但不能覆盖所有情况。若在执行安装步骤时遇到问题，请灵活运用搜索引擎。

配置深度学习编程框架时，强烈建议使用GPU版本。本文将介绍如何在Windows和Linux下配置PyTorch的GPU版本。若仅需CPU版本，可跳过“CUDA与cuDNN”部分。

本文同时涵盖了Windows和Linux的安装方法。若操作存在差异，文中会特别指出；若未特别指出，则默认两种系统处理方法一致。

CUDA与cuDNN

CUDA是NVIDIA显卡的GPU编程语言，cuDNN是基于CUDA的GPU深度学习编程库。使用深度学习框架时，通常需要安装CUDA和cuDNN。

安装步骤主要分为三步：显卡驱动、CUDA、cuDNN。

显卡驱动通常不需要手动安装，尤其是在配备了NVIDIA显卡的Windows电脑上。

用nvidia-smi命令查看电脑的CUDA驱动最高支持版本。运行命令后，注意记录该信息。

如果命令执行失败，说明电脑可能需要重新安装显卡驱动。当前主流CUDA版本为11.x，若发现支持的最高版本较低，也可按照步骤重新安装显卡驱动。

访问NVIDIA驱动官网下载对应版本的驱动程序。对于Windows，下载带有GUI的安装器；对于Linux，下载shell脚本。若使用Linux服务器，无图形界面，可先复制下载链接，后用wget下载脚本。

执行安装器，按指引完成驱动安装。注意，部分Linux系统（如Ubuntu）可能需要在安装驱动前关闭图形界面，如禁用nouveau后重启。

执行nvidia-smi命令后，再次运行以确认驱动版本。

CUDA

首先，确定CUDA的安装版本。

CUDA版本安装限制如下：不能大于nvidia-smi获取的最高CUDA版本；PyTorch版本必须支持当前CUDA版本。查阅pytorch.org/get-started页面获取安装命令，Linux和Windows命令中包含cudatoolkit=x.x参数，表示该PyTorch版本支持的CUDA版本。新CUDA版本通常向旧版本兼容，为了保险，尽量与安装命令中的CUDA版本一致。

建议先安装较常用、版本较高的CUDA，如CUDA 11.1、11.2等。之后，让编程框架适应CUDA版本。

若安装PyTorch后发现不对应，尝试升级PyTorch版本。若PyTorch不支持当前CUDA版本，最后考虑降级CUDA版本。

选好CUDA版本后，从developer.nvidia.com/cu...下载CUDA安装器。同样，Windows和Linux分别得到GUI安装器和shell脚本。

安装CUDA后，在控制台上输入nvcc -V验证。输出应为nvcc版本信息。

cuDNN

访问developer.nvidia.com/rd...下载cuDNN。选择CUDA版本对应的cuDNN版本，参考docs.nvidia.com/deeplea...查看每个cuDNN版本支持的CUDA版本。一般推荐下载最新版本，若不兼容，则考虑降级。

下载后，将cuDNN文件放置到能够被系统访问的地方。在Windows下，将cuDNN目录下的bin、include、lib文件复制到CUDA对应目录中；在Linux下，将文件复制或剪切到/usr/local/cuda目录下的对应文件夹中。

Anaconda

使用Anaconda管理Python包。官网anaconda.com提供下载链接。Windows和Linux分别得到GUI安装器和shell脚本。安装完成后，打开Anaconda环境的控制台。

在Windows下，搜索“Anaconda”并打开Anaconda Powershell Prompt；在Linux下，新建命令行即可。成功后，创建Python版本的虚拟环境以存放深度学习库。

完成上述步骤后，通过VSCode命令面板中的“select interpreter”选择新建的虚拟环境中的Python解释器，确保新建的控制台自动进入conda虚拟环境。

PyTorch

推荐直接从官网首页下载。在页面找到稳定版、最新版、长期支持版对应操作系统的安装命令，选择合适的包管理器和设备（CUDA版本或CPU）。

根据操作系统和编程语言选择命令，注意PyTorch版本和CUDA版本的对应关系。推荐选择稳定版和长期支持版（第一个和第三个）的PyTorch版本。确保PyTorch和CUDA版本相匹配。若找不到合适的命令，可访问pytorch.org/get-started查找旧版PyTorch的安装命令。

根据命令执行安装指令。若下载速度慢，可更换conda和pip的下载源。

安装完成后，验证GPU版PyTorch是否成功安装。执行特定命令或写.py文件运行，输出应为True。

第二部分：使用PyTorch实现多分类任务

在学习新编程技术时，完成“Hello World”项目是程序员的惯例。本文将通过一个简单的平面点集多分类任务，作为PyTorch的入门项目。项目将使用基本函数，不涉及框架高级特性，可轻松翻译成NumPy或其他框架的实现。

项目将介绍与PyTorch相关的知识，包括数据集生成、数据预处理、PyTorch模型构建、损失函数和评估方法。

欢迎访问GitHub项目地址：github.com/SingleZombie...