最新tensorflow与pytorch环境搭建的实现步骤
1、安装 Anaconda:
如果您尚未安装 Anaconda,首先访问 https://www.anaconda.com/products/distribution/ 下载适用于您操作系统的最新版本。按照官方指南完成安装过程。
2、设置 Conda 源
方法一:命令行配置
临时使用: 如果您只想临时为一次命令使用清华源,可以在安装或更新包时直接指定源:
conda install <package-name> -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/<channel-name>
请将 <package-name> 替换为您要安装的包名,<channel-name> 替换为具体的频道名,如 conda-forge、pytorch 等。例如:
conda install numpy -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
永久更改: 若要永久将 Conda 的默认源设置为清华源,执行以下命令:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ conda config --set show_channel_urls yes
方法二:编辑用户目录的.condarc 文件
打开配置文件: 使用文本编辑器打开您的 Conda 配置文件:
channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ - defaults show_channel_urls: true ssl_verify: false #解决https error问题
3、设置 pip源
方法一:临时使用
在安装单个包时临时使用清华源:
pip install --index-url https://pypi.tuna.tsinghua.edu.cn/simple <package-name>
将 <package-name> 替换为您要安装的包名。
方法二:永久更改
你可以通过使用 pip config 命令来生成
pip config set global.index-url Simple Index
这个命令将在你的用户主目录下的 .pip 文件夹中创建或更新 pip.conf 文件,然后将清华源添加到其中。
conda config --set ssl_verify false
此命令禁用 SSL 证书验证。注意,这样做会降低安全性,因为您将不再验证下载包的完整性。完成操作后记得重新启用证书验证。
源地址变动:确认源地址:访问清华大学开源软件镜像站(如 Index of /anaconda/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror ),查看最新的 Conda 镜像源地址。有时,源地址可能会发生变化,您需要更新配置中使用的 URL。
官方建议:按照清华大学提供的官方指南(如 anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror )来配置 Conda 源,确保使用的是官方推荐的最新地址和方法。
4、安装tensorflow
4.1创建新的虚拟环境:打开 Anaconda Prompt(Windows)或终端(Linux/macOS),运行以下命令创建一个新的 Conda 虚拟环境,这里假设环境名为 tf-env。您可以根据需要替换为其他名称: conda create -n tf-env =3.9
4.2 创建环境后,激活它:conda activate tf-env
4.3在激活的环境中,使用以下命令安装最新版本的 TensorFlow
pip install tensorflow
或conda install tensorflow
注意:从 TensorFlow 2.7 开始,官方推荐使用 tensorflow 包,它会自动选择 CPU 或 GPU 版本(如果适用)。
4.4验证安装:
python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
或 安装完成后,打开 解释器或 Jupyter Notebook,输入以下代码
import tensorflow as tf print(tf.__version__)
5、安装 JupyterLab
JupyterLab 默认已经包含了基于 jedi 或 ipywidgets 等库的代码补全功能。您只需启动 JupyterLab,然后在编写代码时按 Tab 键即可触发自动补全。但您可能希望进一步增强其功能,例如使用更先进的语言服务器协议 (Language Server Protocol, LSP) 支持。JupyterLab LSP 提供了一个框架,用于集成各种语言的 LSP 服务,以获得更强大的代码补全、语法检查、跳转到定义等功能。
用以下命令通过 pip 安装 JupyterLab jupyterlab-lsp:
pip install jupyterlab jupyterlab-lsp
修改配置文件
生成配置文件(如果尚未存在):jupyter lab --generate-config
这将在您的用户家目录下创建一个名为 jupyter_lab_config.py 的文件,通常位于 ~/.jupyter/jupyter_lab_config.py(具体路径可能因操作系统而异)。
在配置文件中找到如下一行(可能被注释掉):
# c.ServerApp.root_dir = ''
取消注释(去掉 #),并将其修改为您希望 JupyterLab 启动时默认打开的路径:
c.ServerApp.root_dir = '/path/to/your/workdir'
请确保将 /path/to/your/workdir 替换成实际的完整路径。
保存并关闭文件:
保存对配置文件所做的修改,然后关闭文本编辑器。
启动命令: jupter lab
6、安装其他包:
conda install matplotlib scikit-learn jieba pandas seaborn
7、搭建pytorch环境
conda create -n torch-env python=3.9
此命令将创建一个使用 3.9 的新环境。
创建环境后,激活它:
conda activate torch-env
转到 PyTorch 官方网站 https://pytorch.org/get-started/locally/ ,根据您的操作系统、 版本、CUDA 版本(如果有 NVIDIA GPU)以及是否需要额外的库
例如,如果您有一个支持 CUDA 12.x 的 NVIDIA GPU,并希望同时安装 torchvision,复制提供的 conda install 命令(通常类似于以下格式)并粘贴到终端中执行:
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
如果您没有 NVIDIA GPU 或不打算使用 GPU 加速,选择对应的 CPU 版本命令,例如
conda install pytorch torchvision torchaudio cpuonly -c pytorch
安装完成后,打开 解释器或 Jupyter lab,在其中输入以下代码验证 PyTorch 是否安装成功并查看版本信息:
import torch print(torch.__version__) print(torch.cuda.is_available()) # 如果安装了 GPU 版本,此行将显示是否正确识别到 CUDA
如果没有报错且输出了 PyTorch 的版本号,并且(对于 GPU 版本)torch.cuda.is_available() 返回 True,说明安装成功。
至此,您已使用 Anaconda 成功搭建了包含 PyTorch 的虚拟环境。在需要使用该环境时,只需通过 conda activate pytorch-env 命令激活即可。要退出当前环境,运行 conda deactivate。
到此这篇关于最新tensorflow 与pytorch环境搭建的实现步骤的文章就介绍到这了,更多相关tensorflow 与pytorch环境搭建 内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
最新评论