Pytorch1.5.1版本安装

查看自己cuda版本，

我的cuda是11版本了，所以可以安装11版本以下的任何版本。

进入pytorch官网

https://pytorch.org/

按照上面图这样选择，安装pytorch有GPU加速的版本，安装命令可以改下，后面加个豆瓣源，这样下载速度快些。

pip install torch===1.5.1 torchvision===0.6.1 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple

或者直接用conda安装，去掉后面的 -c pytorch

conda install pytorch torchvision cudatoolkit=10.2 

如果上面方法都下载慢，那就按下面方法来。（适用于win版本，Linux的可以返回上一层寻找对应的版本）
先进清华源https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/?C=M&O=D
下载对应pytorch版本，我的是Python3.7，需要PyTorch-gpu版本，cuda需要10.2，找到对应的bz2文件下载，如图

还要下载对应的torchvision===0.6.1，如图

下载好就在命令行进入你下载的路径目录里面安装，并输入下面代码进行离线安装。

conda install --offline 对应的安装名字

安装完后还要安装cudatoolkit=10.2

conda install cudatoolkit=10.2

然后运行测试代码：

# TEST
import torch
from torch.backends import cudnn

x = torch.Tensor([1.0])
xx = x.cuda()
print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())
print(xx)
print(cudnn.is_acceptable(xx))

结果：

1.5.1
10.2
True
tensor([1.], device='cuda:0')
True

安装成功！

GPU加速代码

import torch
import time

print(torch.__version__)
print(torch.cuda.is_available())

a = torch.randn(10000, 1000)
b = torch.randn(1000, 2000)

t0 = time.time()
c = torch.matmul(a, b)  # 矩阵乘法
t1 = time.time()
print(a.device, t1 - t0, c.norm(2))

t0 = time.time()
c = torch.matmul(a, b)  # 矩阵乘法
t1 = time.time()
print(a.device, t1 - t0, c.norm(2))

device = torch.device('cuda')
a = a.to(device)
b = b.to(device)

t0 = time.time()
c = torch.matmul(a, b)  # 矩阵乘法
t2 = time.time()
print(a.device, t2 - t0, c.norm(2))

t0 = time.time()
c = torch.matmul(a, b)
t2 = time.time()
print(a.device, t2 - t0, c.norm(2))

结果：

1.5.1
True
cpu 0.13901472091674805 tensor(140929.9688)
cpu 0.16696977615356445 tensor(140929.9688)
cuda:0 0.22500324249267578 tensor(141330.6875, device='cuda:0')
cuda:0 0.003974437713623047 tensor(141330.6875, device='cuda:0')

运行两次是cuda有个预热的过程，第二次的时间明显减少了。和CPU相比，更快。

自动求导

代码：

import torch
from torch import autograd

x = torch.tensor(1.)
a = torch.tensor(1., requires_grad=True)
b = torch.tensor(2., requires_grad=True)
c = torch.tensor(3., requires_grad=True)

y = a ** 2 * x + b * x + c

print('before:', a.grad, b.grad, c.grad)
grads = autograd.grad(y, [a, b, c])
print('after :', grads[0], grads[1], grads[2])

结果：

before: None None None
after : tensor(2.) tensor(1.) tensor(1.)

可以看出pytorch比TensorFlow1.X好理解，适合人类思维，功能也都全。

本文地址：https://blog.csdn.net/weixin_45092662/article/details/107299953