目录
- 一、前言
- 二、安装步骤
- step1. 安装显卡驱动
- step2. 安装cuda
- step3. 安装cuDNN
- step4. 安装pytorch环境
- 三、用pytorch解个非线性方程组
一、前言
在深度学习界pytorch框架用得人越来越多，无论是CV机器视觉、NLP还是自然语言处理，目前主流的大的模型如GPT模型等也很多用pytorch。比如清华大学的单机GPT模型chatGLM，用的是GPU版本的pytorch。本人以前用的时keras，第一次装pytorch，记录一下安装的步骤，便于以后参考。
二、安装步骤
step1. 安装显卡驱动
显卡主是要用英伟达的显卡。根据显卡的型号去英伟达官网进行下载安装
step2. 安装cuda
此步也一样，都是去官网cuda相关页面下载对应的显卡、操作系统的版本：
本人下了12.1
下载完就双击安装，跟一般软件一样。
step3. 安装cuDNN
此步也一样，都是去官网cuDNN相关页面下载对应的显卡、操作系统的版本：
这里第一次进去可能要求注册个人的账号，有点费劲，根据引导注册就好。
注册好后，选择适合自己的操作系统版本下载。
下载好后解压出几个文件夹，：
找到cuda的安装目录，讲对应的文件夹给替换了。
验证cuDNN是否安装完成，打开cmd，输入cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite
然后执行命令：
bandwidthTest.exe
出现PASS，就说明成功
step4. 安装pytorch环境
网速快的话可以安装pytorch的官网说明安装（不建议）：
由于torch的尺寸有点大，由于网络等原因通过pip指令下载可能会timeout，最好去相应的网页手动下载相应的模块，主要涉及三个模块：torch、torchvision、torchaudio这三个。
这三个模块要选择对应的配套版本，以下是torch版本分别对应torchvision、torchaudio的对应关系：
最保险的安装方法是先离线下好这三个文件，网址为：离线下载链接 这里，上面我下载的cuda的版本是12.1，还没有一样的版本，于是我下载了最高的版本11.8（即，cu118开头的）:
例如：cu118/torch-2.0.0%2Bcu118-cp39-cp39-win_amd64.whl
cu118——代表cuda 11.8版本
torch-2.0.0——代表2.0.0版本
cp39——代表python 3.9版本
win_amd64——代表windows 64位查表对应的torchvision、torchaudio版本为：0.15.1和2.0.1
下载完三个离线文件后，进入文件所在目录，通过pip install指令安装（ pip install torch-2.0.0+cu118-cp39-cp39-win_amd64.whl torchaudio-2.0.1+cu118-cp39-cp39-win_amd64.whl torchvision-0.15.1+cu118-cp39-cp39-win_amd64.whl），不一会就安装完成了：
三、用pytorch解个非线性方程组
利用pytorch的图计算框架，反向传播机制，可以很容易对非线性方程组求解，当然这里是用牛刀杀鸡了：
import torch
# Define the equations as functions
def f1(x, y):
return x**2 + y**2 - 1
def f2(x, y):
return x - y**2
# Define the variables
x = torch.tensor([1.0], requires_grad=True)
y = torch.tensor([1.0], requires_grad=True)
# Define the optimizer
optimizer = torch.optim.Adam([x, y], lr=0.1)
# Define the loss function
def loss_fn(x, y):
return f1(x, y)**2 + f2(x, y)**2
# Train the model
for i in range(1000):
optimizer.zero_grad()
loss = loss_fn(x, y)
loss.backward()
optimizer.step()
# Print the results
print("x: ", x.item())
print("y: ", y.item())感觉这个可以实现工程化，只要列出方程组，就可以用以上类似的方法求解。
运行如下（误差非常小）：
