虽然现在跑深度学习都在服务器上,但在本地配置一个pytorch环境看源码和debug也是非常方便的,先在自己的电脑上把代码调通,再用服务器去跑。
而且我将本地磁盘映射到实验室的服务器,然后直接用pycharm
打开服务器文件夹,直接修改调用服务器上的文件,同时用本地的pytorch环境调试代码,调试好之后再通过Xshell
或者VSCode
在服务器上运行程序,简直不要太方便 ~
下面是我在自己的笔记本上(没有独显)配置pytorch环境的步骤,以python3.8, pytorch1.9.0为例
打开Anaconda Prompt(anaconda3),命令行输入以下四步指令
1.创建虚拟环境
env_name
是给环境取的名字,我这里直接叫pytorch
conda create -n env_name python=3.8
2.激活虚拟环境
conda activate env_name
3.安装pytorch环境
cpu版本
(个人觉得cpu版本在大多数时候都是够用的,当然服务器上的pytorch肯定是cuda版本)
pip install torch==1.9.0+cpu torchvision==0.10.0+cpu torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html
安装完成后,打印检查
import torch
import torchvision
print(torch.__version__) # 1.9.0+cpu
print(torchvision.__version__) # 0.10.0+cpu
4.安装nb_conda
使用jupyter notebook可以切换内核,否则只能使用默认的python环境。
conda install nb_conda
网络好的话,五分钟就能配置好,然后就可以用pycharm和jupyter notebook切换虚拟环境了
pycharm切换虚拟环境
在pytorch环境下使用jupyter notebook
1.输入conda activate env_name
激活环境。
2.输入jupyter notebook
, 等待几秒,浏览器自动跳转到用户文件夹下。
对于只适用cuda环境的项目,自己的电脑可能就调不通了,可以参考我的上一篇博客,直接在服务器上
Debug