【OS安装与使用】part5-ubuntu22.04基于conda安装pytorch+tensorflow

原创 已于 2025-02-21 11:08:45 修改 · 1.6k 阅读 · 27 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#conda #pytorch #人工智能 #ubuntu

于 2025-02-20 11:56:11 首次发布

文章目录

一、待解决问题

1.1 问题描述

为了最终运行MARL算法代码，在安装好anaconda环境后，进行pytorch框架的安装。

1.2 解决方法

操作系统：ubuntu 22.04 LTS
显卡型号：Geforce RTX 4060 Mobile
显卡驱动：nvidia-550.120
CUDA版本：CUDA 12.4
预装软件：Anaconda

（1）明确pytorch安装依赖。
（2）conda创建虚拟环境。
（3）安装pytorch。
（4）验证pytorch安装。
（5）安装tensorflow。
（6）验证tensorflow安装。

二、方法详述

2.1 必要说明

❓ GPU、Nvidia显卡驱动、CUDA Toolkit、pytorch框架是什么关系呢？
简单来说就是图示中的关系，层层调用。

  • 硬件设备：GPU 是一种专门用于进行图形计算和并行计算的硬件设备
  • 硬件驱动：Nvidia 显卡驱动是运行在操作系统上的软件，用于让操作系统和应用程序能够与 Nvidia GPU 进行通信和交互。它提供了对 GPU 硬件的底层控制和管理，确保 GPU 能够正常工作，并将来自应用程序的指令正确地传递给 GPU。
  • GPU应用工具包：CUDA Toolkit 是用于开发基于 CUDA 应用程序的工具包，它包含了编译器、库、运行时环境等组件，使开发者能够利用 GPU 的强大计算能力进行通用计算。它依赖于 Nvidia 显卡驱动来与 GPU 进行交互。
  • 深度学习框架：PyTorch 是一个流行的开源深度学习框架。它支持使用 GPU 来加速计算，当 PyTorch 运行在安装了 CUDA Toolkit 和 Nvidia 显卡驱动的环境中时，它可以通过 CUDA Toolkit 调用 GPU 的计算资源，从而实现对深度学习模型的快速训练和推理。

在这里插入图片描述

2.2 应用步骤

2.2.1 明确pytorch安装依赖

目标导向，首先查看pytorch官网，了解官网安装依赖。
链接：pytorch Get Start

总结如下：

python版本要求：3.9或更新
ubuntu版本要求：13.04或更新
包管理工具：Anaconda 或 pip3

（1）python版本要求：
在这里插入图片描述

（2）操作系统版本要求
在这里插入图片描述
（3）包管理工具要求
在这里插入图片描述

2.2.2 conda创建虚拟环境

依据pytorch中对python版本的要求，创建一个python 3.11的环境。

#查看已创建的虚拟环境
conda info --envs
#创建python 3.11的虚拟环境
conda create -n marl_onpolicy python=3.11
#激活刚创建的虚拟环境
conda activate marl_onpolicy
#安装pip3
sudo apt install python3-pip
#查看当前虚拟环境下已安装的包
conda list

在这里插入图片描述
❓ 这里为什么要安装pip3 ？
因为pytorch官网安装命令提示，已不支持conda安装。
在这里插入图片描述

2.2.3 安装pytorch

确认已安装的CUDA版本。

nvcc -V

在这里插入图片描述
在pytorch官网选择对应选项，并在虚拟环境下运行命令
在这里插入图片描述

pip3 install torch torchvision torchaudio

安装过程无报错，最后提示安装了如下组件：

Installing collected packages: triton, nvidia-cusparselt-cu12, mpmath, typing-extensions, sympy, pillow, nvidia-nvtx-cu12, nvidia-nvjitlink-cu12, nvidia-nccl-cu12, nvidia-curand-cu12, nvidia-cufft-cu12, nvidia-cuda-runtime-cu12, nvidia-cuda-nvrtc-cu12, nvidia-cuda-cupti-cu12, nvidia-cublas-cu12, numpy, networkx, MarkupSafe, fsspec, filelock, nvidia-cusparse-cu12, nvidia-cudnn-cu12, jinja2, nvidia-cusolver-cu12, torch, torchvision, torchaudio
Successfully installed MarkupSafe-3.0.2 filelock-3.17.0 fsspec-2025.2.0 jinja2-3.1.5 mpmath-1.3.0 networkx-3.4.2 numpy-2.2.3 nvidia-cublas-cu12-12.4.5.8 nvidia-cuda-cupti-cu12-12.4.127 nvidia-cuda-nvrtc-cu12-12.4.127 nvidia-cuda-runtime-cu12-12.4.127 nvidia-cudnn-cu12-9.1.0.70 nvidia-cufft-cu12-11.2.1.3 nvidia-curand-cu12-10.3.5.147 nvidia-cusolver-cu12-11.6.1.9 nvidia-cusparse-cu12-12.3.1.170 nvidia-cusparselt-cu12-0.6.2 nvidia-nccl-cu12-2.21.5 nvidia-nvjitlink-cu12-12.4.127 nvidia-nvtx-cu12-12.4.127 pillow-11.1.0 sympy-1.13.1 torch-2.6.0 torchaudio-2.6.0 torchvision-0.21.0 triton-3.2.0 typing-extensions-4.12.2

2.2.4 验证pytorch安装

（有pycharm、vscode等IDE的可跳过这一步）
首先安装spyder IDE

conda install spyder
#启动spyder
spyder

官方提供了验证方式，在IDE中python编译以下代码，能够正确输出即表示pytorch安装成功。

import torch
x = torch.rand(5, 3)
print(x)
if torch.cuda.is_available():
    print("cuda available_flag: yes")
else:
    print("cuda available_flag: no")

输出矩阵，并且表明CUDA可使用，即安装成功。
在这里插入图片描述

2.2.5 安装Tensorflow

在虚拟环境下，开始安装。
（！需要主要的是，tensorflow 版本对python版本是有需求的，先自动安装，不能运行再调整版本）

conda install tensorflow-gpu
#查看tensorflow版本
conda list | grep tensor

在这里插入图片描述

2.2.6 验证Tensorflow安装

打开spyder，输入以下代码，看是否有输出。

import tensorflow as tf

# 检查 TensorFlow 是否使用 GPU
print("TensorFlow version:", tf.__version__)
print("GPU Available:", tf.config.list_physical_devices('GPU'))

# 创建一个简单的矩阵乘法
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[1.0, 1.0], [0.0, 1.0]])
c = tf.matmul(a, b)

# 打印结果
print("Result of matrix multiplication:")
print(c.numpy())

警告：oneDNN 自定义操作已开启

I tensorflow/core/util/port.cc:153] oneDNN custom operations are on. You may see slightly different numerical results due to floating-point round-off errors from different computation orders. To turn them off, set the environment variable

大模型给出的回答如下：

oneDNN 是 Intel 提供的一个跨平台的高性能数学函数库，用于优化深度学习中的计算性能。
TensorFlow 默认启用了 oneDNN 优化，以提高某些操作（如卷积、池化等）的性能。
由于 oneDNN 优化可能会改变计算顺序，因此可能会导致浮点数舍入误差，从而产生略微不同的数值结果。
如果你对数值结果的精确性有严格要求，或者希望避免这种差异，可以选择禁用 oneDNN 优化。

可以设置环境变量，禁止oneDNN，gedit打开 .bashrc

sudo gedit ~/.bashrc

将下面代码添加到 .bashrc 中保存

#ban oneDNN
export TF_ENABLE_ONEDNN_OPTS=0

应用环境变量

source ~/.bashrc

或者，在代码开头加上以下语句，手动禁用oneDNN

import os
os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0'

还有一些，注册信息的警告，如下：

2025-02-21 11:02:27.637298: E external/local_xla/xla/stream_executor/cuda/cuda_fft.cc:485] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered
2025-02-21 11:02:27.657790: E external/local_xla/xla/stream_executor/cuda/cuda_dnn.cc:8454] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered
2025-02-21 11:02:27.664602: E external/local_xla/xla/stream_executor/cuda/cuda_blas.cc:1452] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered

网友回答：

这些警告信息表明在你的环境中，cuDNN、cuFFT和cuBLAS插件已经被注册过一次，而在你导入pytorch_lightning时，它尝试再次注册。通常情况下，这不会影响程序的正常运行。

因此，这个不用管，最后看到代码成功运行并输出GPU型号，至此，tensorflow-gpu安装成功！！！

在这里插入图片描述

💐💐💐 完结撒花 💐💐💐

三、疑问

暂无

四、总结

  • GPU、显卡驱动、CUDA Toolkit都是nvidia官方提供的。
  • pytorch 作为深度学习框架提供了许多模型，用户可以基于这些模型开发自己应用。
  • anaconda 作为包管理工具可以很好地控制各开发代码的环境，编写新代码时建议创建新环境，以更好控制代码版本。
windows 下 基于 WSL2安装DeepSpares进行YOLOV8 v5 的加速推理
shiter编写程序的艺术
06-12 1982
硬件要求：CPU 支持 avx2 指令集软件：操作系统只支持Linux可以通过查看CPU的规格或者使用特定的命令来检测CPU是否支持AVX2指令集。查看CPU规格：直接查看CPU的规格说明，通常在购买CPU时，其包装或者产品描述中会明确指出支持的指令集。访问CPU制造商的官方网站，通过搜索型号可以获取详细的CPU规格信息。使用系统命令：在Linux系统中，可以使用命令cat /proc/cpuinfo来查看CPU信息。
【MotionCap】在wsl2 ubuntu20.04构建及运行
突围
07-01 258
【MotionCap】搭建wsl2的pytorch环境
ubuntu22.04下使用conda安装pytorch(cpu及gpu版本)
youlinhuanyan的博客
02-13 5103
本文介绍了conda下安装cpu、gpu版本的pytorch；并介绍了如何设置镜像源。
Ubuntu 22.04 LTS 源码编译安装 PyTorch
weixin_43254181的博客
01-14 1646
记录源码编译安装 PyTorch 的艰辛过程
《Ubuntu 22.04下TensorFlow+PyTorch环境一键部署与优化技巧》
最新发布
2501_91651544的博客
05-28 320
print(f'训练进度: {batch_idx * len(data)}/{len(train_loader.dataset)} [{100. * batch_idx / len(train_loader):.0f}%], 损失: {loss.item():.6f}')print("当前GPU设备:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "无")print("GPU计算结果:", (x + y).cpu())
ubuntu22.04安装pytorch（一遍过）
m0_67089871的博客
12-11 3170
本文介绍ubuntu22.04安装pytorch（本地安装），关于win10安装pytorch-gpu请关注小编的上一篇文章～
Ubuntu 22.04 LTS下配置pytorch
11-17 729
(这里选择python3.9版本安装是因为后续要安装pytorch，那么我们进入pytorch官网，会收到一个提示说：Latest PyTorch requires Python 3.9 or later.因此我这就选择了一个比较成熟的3.9版本。进行网络下载安装的，如果安装速度慢，可以更改使用清华大学的镜像源，可以参考链接https://blog.csdn.net/qq_44793283/article/details/130212401）然后每次打开终端时Anaconda环境就会自动激活。
ubuntu22.04 搭建 Pytorch环境
HYWSWYQ的博客
09-05 8393
ubuntu22.04 搭建 Pytorch环境
书生·浦语大模型实战营之 XTuner 微调 Llama 3 个人小助手认知
大模型与Agent智能体
04-22 252
书生·浦语大模型实战营之 XTuner 微调 Llama 3 个人小助手认知Llama 3 近期重磅发布，发布了 8B 和 70B 参数量的模型，XTuner 团队对 Llama 3 微调进行了光速支持！！！开源同时社区中涌现了 Llama3-XTuner-CN 手把手教大家使用 XTuner 微调 Llama 3 模型。
书生·浦语大模型实战营之XTuner多模态训练与测试
大模型与Agent智能体
04-16 375
书生·浦语大模型实战营之XTuner多模态训练与测试 在本节课中，我们将学习使用XTuner微调多模态LLM的内容，本部分需要的GPU资源为24GB 30% 的 A100。这是学完本节内容后的多模态LLM性能效果展示：Haotian Liu等使用GPT-4V对图像数据生成描述，以此构建出大量 – 的数据对。利用这些数据对，配合文本单模态LLM，训练出一个Image Projector。所使用的文本单模型LLM和训练出来的Image Projector，统称为LLaVA模型 LLaVA: Large Lang
ubuntu1804系统运行smplify-x源码
qq_34279913的博客
07-15 2295
深度学习，人体3D重建
Ubuntu 22.04安装cuda及Pytorch教程
热门推荐
酒酿小圆子呀～
06-06 1万+
在PyTorch中使用CUDA，。： 首先，确保你的GPU支持CUDA。你可以在官方CUDA支持列表上查找你的GPU型号。或者直接命令行nvidia-smi进行查看。： 下载并安装与你的GPU型号匹配的CUDA Toolkit。你可以从NVIDIA官网下载。在安装期间，可以选择安装适用于你的系统的CUDNN库。： cuDNN是NVIDIA的深度神经网络库，可以加速深度学习任务。在CUDNN下载页面下载适用于你的CUDA版本的cuDNN，并按照安装说明进行安装。
Ubuntu22.04安装配置PyTorch 2.2.0以上版本深度学习环境
Explorer_XZH的博客
07-21 713
Ubuntu22.04安装配置PyTorch 2.2.0以上版本深度学习环境。
ubuntu16中，利用conda虚拟环境安装pytorch
z5217632的博客
07-07 1722
ubuntu16中，利用conda虚拟环境安装pytorch
机器学习------ 基于ubuntu 22.04 系统下的pytorch 安装记录过程（包含cuda和cudnn的安装）
【更新于公众号 | 简谱学记】
02-22 1796
机器学习------ 基于ubuntu 22.04 系统下的pytorch 安装记录过程（包含cuda和cudnn的安装）
ubuntu22.04安装pytorch GPU
hanshuning的专栏
03-02 559
pytorch
Ubuntu22.04系统安装软件、显卡驱动、cuda、cudnn、pytorch
小新
12-28 9767
这篇博客主要讲解的是Ubuntu22.04系统安装软件、显卡驱动、cuda、cudnn、pytorch 等软件和环境的安装和配置。
xubuntu22.04 安装 pytorch 环境最简步骤
人工智能
04-22 2492
sudo apt install nvidia-cuda-toolkit nvidia-driver-510 Index of /https://repo.anaconda.com/miniconda/ Miniconda3-py39_4.11.0-Linux-x86_64.sh conda install torchvision -c pytorch
一文搞定Ubuntu22.04（双系统）配置pytorch环境
weixin_62681253的博客
07-27 1302
如图则安装成功。
ubuntu22.04安装tensorflow
09-04
要在Ubuntu 22.04上安装TensorFlow，您可以按照以下步骤进行操作： 1. 确保您的系统已更新并安装了Python 3和pip。您可以使用以下命令来进行更新： ``` sudo apt update sudo apt upgrade sudo apt install python3-pip ``` 2. 安装TensorFlow之前，您需要安装一些依赖项。请使用以下命令来安装它们： ``` sudo apt install libblas-dev liblapack-dev libatlas-base-dev gfortran ``` 3. 确保您已安装NVIDIA驱动程序（如果您的系统使用NVIDIA显卡）。您可以按照所引用的说明来安装NVIDIA驱动程序。 4. 接下来，使用pip来安装TensorFlow。您可以使用以下命令来安装最新版的TensorFlow： ``` sudo python3 -m pip install tensorflow ``` 此命令将下载并安装TensorFlow。 5. 安装完成后，您可以使用以下命令来验证TensorFlow是否安装成功： ``` sudo python3 -c 'import tensorflow as tf; print("The version of TensorFlow is", tf.__version__)' ``` 这将打印出已安装的TensorFlow版本号。 请注意，安装TensorFlow可能需要一定的时间，具体取决于您的系统和网络速度。确保您的系统满足TensorFlow的要求，并遵循上述步骤进行安装。 <span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [Ubuntu22.04/Ubuntu20.04安装最新版tensorflow](https://blog.csdn.net/u012011079/article/details/126325146)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [安装Ubuntu20.04与安装NVIDIA驱动的教程](https://download.csdn.net/download/weixin_38601215/14048747)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值