Hier sind die Schritte zum Erstellen von PyTorch 1.5 für CUDA 10.2 unter Windows 10. (Stand 1. März 2020) Es enthält auch die Anweisungen zum Erstellen von Torchvision, die üblicherweise mit PyTorch verwendet werden. Eine ausführliche Erklärung wird hier weggelassen. Wenn Sie eine etwas ausführlichere Erklärung benötigen, lesen Sie bitte auch Blog --dev.infohub.cc. Ich hoffe du kannst.
--MKL_DEBUG_CPU_TYPE = 5 (Einstellungen für die Verwendung von MKL mit AMD-CPUs)
Öffnen Sie die Eingabeaufforderung `` `x64 Native Tools für VS 2019``` in Visual Studio 2019 und führen Sie die folgenden Schritte aus. (Erklärung wird im Kommentarformat veröffentlicht)
#Virtuelle Umgebung zum Erstellen(build_pt)Erstellen
python -m venv g:\work\build_pt
g:\work\build_pt\Scripts\activate.bat
cd /d g:\work\build_pt
#Updates wie Pakete
python -m pip install --upgrade pip
#Installation der für den Build erforderlichen Pakete
pip install numpy ninja pyyaml mkl mkl-include cmake cffi wheel
#Quelle abrufen
#Im Gegensatz zum Verfahren auf der ursprünglichen Site wird das Submodul später erworben.
git clone https://github.com/pytorch/pytorch
cd pytorch
# 2020/03/01 13:Wechseln Sie zum Zeitpunkt 24 in den Status (der letzte Status wurde diesmal versucht).
git checkout ace2b4f
#
git submodule sync
git submodule update --init --recursive
#
python setup.py install
#
# G:\work\build_pt\pytorch\-1.5.0a0+ace2b4f-cp38-cp38-win_amd64.
python setup.py bdist_wheel
# --------------------------------------
#Build (ca. 18 Minuten mit Threadripper 3960X) Radpaket erstellen (Rad mit Pip setzen) "torchwhl" wird in dist Build torchvision von hier aus erstellt Übergeordneter Ordner (g):\work\build_Gehe zu pt)
cd ..
#Einführung zusätzlicher Pakete, die zum Erstellen von Torchvision erforderlich sind
pip install six pillow
#Überprüfen Sie, ob CUDA in der Taschenlampe verwendet wird
#Wenn dieses Ergebnis True ist, wird CUDA verwendet (Sie können es auch erstellen, um es zu erzwingen. Weitere Informationen finden Sie auf der Torchvision-Seite.)
python -c "import torch; print(torch.cuda.is_available())"
#Holen Sie sich den Quellcode für Torchvision
git clone https://github.com/pytorch/vision.git
cd vision
git checkout b2e9565
#Build (ein paar Minuten)
python setup.py install
#Radpaket erstellen
python setup.py bdist_wheel
Dadurch wird eine PyTorch- und Torchvision-Raddatei (* .whl) im dist-Ordner erstellt.
Dies ist das Verfahren zum Installieren der erstellten PyTorch- und Torchvision-Radpakete in separaten virtuellen Umgebungen. Da der Build-Ordner viel Speicherplatz belegt, ist es praktisch, die Umgebung, in der PyTorch usw. tatsächlich verwendet wird, von der virtuellen Umgebung für den Build zu trennen. Hier wird angenommen, dass eine virtuelle Umgebung mit dem Namen "ml" unter "c: \ venvs" erstellt wird. Es ist in Ordnung, wenn Sie es an einer normalen Eingabeaufforderung ausführen (nicht an der Visual Studio-Konsole).
#Virtuelle Umgebung(ml)Erstellen
python -m venv c:\venvs\ml
c:\venvs\ml\Scripts\activate.bat
cd /d c:\venvs\ml
#Updates wie Pakete
python -m pip install --upgrade pip
#Einführung von PyTorch und Torchvision (einschließlich abhängiger Pakete)
#Geben Sie die oben erstellte Datei für die whl-Datei von PyTorch und torchvision an
pip install numpy mkl six pillow
pip install "torch-1.5.0a0+ace2b4f-cp38-cp38-win_amd64.whl"
pip install "torchvision-0.6.0a0+b2e9565-cp38-cp38-win_amd64.whl"
Damit ist die Erstellung der PyTorch 1.5.0a0-Umgebung für CUDA 10.2 abgeschlossen.
Recommended Posts