初识Pytorch和Pytorch环境配置

pytorch的发展与框架

       深度学习框架的话，对我而言就是分为Tensorflow和Pytorch两大阵营。他们的主要区别就是静态图优先还是动态图优先。
       

动态图静态图

       动态图：一步一步来，有结果而且符合人们的思维。
       静态图：只有公式，然后最终把数据输入。这是一种分离的状态，定义好公式，run的时候直接输入数据使用且不能修改，即 define→run 的过程。
       

二者性能的对比

       Tensorflow1和2不兼容给我整笑了，1的优势2无法继承了。
       

pytorch可以干什么？

       pytorch可以GPU加速，自动求导，有常用网络层。
       比如进行一个GPU的加速：
       这里第一次使用Cuda为什么时间更长呢？因为需要初始化一些配置，要花费一定的时间，第二次可以看到明显时间更少了。
       对于求导而言，代码如下：

# 赋值，告诉torch我需要求导
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)
...
grads = autograd.grad(y, [a,b,c])
# 求出来的a，b，c都是相应的导数

       常用网络层：nn.Linear nn.Conv2d nn.LSTM和一些激活函数等等“函数”。
       

环境配置

       由于我刚刚换的Y9000P，且是32G内存+512G+1T的固态，因此我什么都不怕！（bushi）
       我配置的思路是在Anaconda上进行一个搭建。

1. 安装Anaconda（python也会顺带安装好，里面需要注意的是path添加选项一定要点！！！）
2. 找到自己显卡对应的版本，由于我的驱动已经安装好了，因此我不需要去官网进行安装或者更新，如有需要，先把Cuda安装好。
3. 安装Cudnn
4. 在Anaconda的Prompt里面创建名为Pytorch的环境
5. 在Pytorch官网找到对应的版本，在激活了Pytorch环境之后，在其中进行对应语句的运行（因为你在官网选好版本之后，会有相应的运行语句的，复制到命令行即可）
6. 我选择在jupyter notebook进行操作，在激活的环境下输入jupyter notebook即可跳转到相应界面。

       

遇到的问题

如何查看自己的显卡版本/如何查看自己CUDA版本？
解决方案：打开nvidia面板，帮助里面就有。

WARNING conda.gateways.disk.delete:unlink_or_rename_to_trash(140)
解决方案：csdn

Solving environment: failed with initial frozen solve. Retrying with flexible solve.
解决方案：可能是相应限制时长太短；修改为清华源；直接把包下载好，离线本地安装。（或者你连Cudnn都没装）