怎么看电脑有没有pytorch 怎么看电脑有没有gpu

上一节内容，我已经分享了一些资料，感兴趣的可以点击这个1. 这篇文章的主要内容是：安装过程中出现的问题及解决方案 2. 接下来第一部分，第二部分是CPU，第三部分是GPU，我相信一部分人都是先以CPU配置，熟悉一段时间换成GPU,有个渐进的过程，相对而言，有了CPU的配置基础GPU配置会很容易，同时第一部分，第二部分涉及GPU的地方会埋下伏笔，兼顾只考虑GPU的同事。

目录

• 1 快速下载Anaconda3/Miniconda

• 1.1 配置PyPI镜像
• 1.2 ERROR: unknown command "config"
• 1.3 conda env create -f environment.yml (CPU/GPU)?
• 1.4 CondaValueError: prefix already exists: xxx
• 1.5 后台运行Jupter notebook

• 1.5.1 我的jupyter notebook启动失败？
• 1.5.2 我的jupyter notebook没有执行，只能阅读？
• 1.5.3 为了更方便的使用，我弄了一个脚本

• 2 PyCharm的工程建立

• 2.1 多个python环境对后续的操作到底有没有影响？
• 2.2 PyCharm配置mxnet(gluon)
• 2.3 mxnet解释器路径在哪？
• 2.4 PyCharm中matplot画不了图？

• 3 GPU配置请看这儿，建议先看上面

• 3.1 Nvidia显卡，CUDA，CUDNN?

• 3.1.1 根据显卡型号安装合适Nvidia驱动
• 3.1.2 选择合适的CUDA版本
• 3.1.3 将CUDA加入系统库路径下

• 3.2 安装GPU的MXNet

• 3.2.1 选择合适的(MXNet)GPU
• 3.2.2 修改environment.yml
• 3.2.3 很不幸，需要重新装jupyter notebook见上

• 3.4 Pycharm导入CUDA

• 3.4.1 libcudart.so.xxx: cannot open shared object file: No such file or directory
• 3.4.3 可以用上面的测试案例试试Pycharm，有问题请留言。

1 快速下载Anaconda3/Miniconda

高效是我们最喜欢的，下载太慢很头疼。为此，我给大家推荐清华镜像源，速度-你网速有多快下载就有多快，给大家一个思路，想要下载什么软件可以先到清华镜像源上搜索下，没有的话再到官网下载。清华镜像源： https://mirrors.tuna.tsinghua.edu.cn选择一个合适的版本，右键复制链接，用wget即可

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2019.10-Linux-x86_64.sh

注意：

1. 推荐用Anaconda而不是Miniconda，因为假如瘦conda没有相应的软件，会在线下载，有些麻烦啊。
2. 安装到最后一定要选yes，将conda加入环境变量中。更新环境变量直接输入bash即可。

1.1 配置PyPI镜像

国内用户可以，用如下命令加速下载

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
取消可以使用
pip config unset global.index-url

1.2 ERROR: unknown command “config”

原因：pip版本太低，必须升级到10.0.0版本以上，安装Anaconda2很可能出现这个问题，建议使用Anaconda3。解决方法：使用下面的升级命令，反复到最新版

conda update pip

1.3 conda env create -f environment.yml (CPU/GPU)?

CPU/GPU最大的区别应该是这个命令，这一步决定了你将使用CPU还是GPU，是重要的一步。 对于CPU配置:直接跳过，看1.4即可 对于GPU配置: 可以看第三部分，因为前面两部分是CPU配置，这里加进来GPU会使CPU读者抓不住重点!!! 对于第一次CPU配置接着想用GPU了，不用担心工作会白做了，在第三部分中会谈到一些细节。

1.4 CondaValueError: prefix already exists: xxx

原因：多次使用命令conda env create -f environment.yml。这个东西蛮有意思的，等会还要提到，特别注意后面提及的文件路径。

解决方法：到提示的文件路径下，将gluon文件夹删除，重新执行conda env create -f environment.yml。

注意：

这个命令需要等一段时间，因为它要下载一些文件，不要中途终止它。environment.yml文件已经指出了。

1.5 后台运行Jupter notebook

注意：你应该提前安装notedown插件

pip install https://github.com/mli/notedown/tarball/master

每次开启新的终端都要执行下面两句命令，不然会报错

conda activate gluon 					# 若conda版本低于4.4,使用命令activate gluon
# 启动jupyter notebook
jupyter notebook --NotebookApp.contents_manager_class='notedown.NotedownContentsManager' &

注意：最好使用后台执行，即&，关于前后台的使用，请看这儿 还有一个方便的理由是:即使你不小心关闭了浏览器，这时终端会出现相关提示，直接重新打开浏览器进入即可。

1.5.1 我的jupyter notebook启动失败？

这是因为没有执行conda activate gluon

1.5.2 我的jupyter notebook没有执行，只能阅读？

这是因为没有加--NotebookApp.contents_manager_class='notedown.NotedownContentsManager'，记得加上。 为了简便，直接配置jupyter notebook文件。

# 一次性配置，以后直接输入jupyter notebook即可。
jupyter notebook --generate-config		# 根据提示生成的文件路径，打开，末尾加上下面代码
c.NotebookApp.contents_manager_class = 'notedown.NotedownContentsManager'

1.5.3 为了更方便的使用，我弄了一个脚本

注意：上一步配置是必要的

#! /bin/sh

conda activate gluon 	# 若conda版本低于4.4,使用命令activate gluon
jupyter notebook &

这里的执行蛮有意思的，将脚本保存成xxx.sh，执行命令. xxx.sh,注意中间要有一个空格。脚本执行完成后所有的环境信息会被全部删除，就像函数调用，为了使得子脚本的环境作用于父bash，必须使用这种特殊的语法。

2 PyCharm的工程建立

虽然jupyter notebook中的cel可以执行python命令，但是有一个IDE总会方便些。下面我分享下遇到的一些问题。

2.1 多个python环境对后续的操作到底有没有影响？

针对Ubuntu而言，我想影响并不大，很多人环境里有python2、python3、Anaconda2、Anaconda3。其中Anaconda自带python，其实不用太担心是不是要卸载保留一个，程序运行时候只关心设置的哪个能不能找到，其他的都是空气。假如同时安装了Anaconda2、Anaconda3，保险的做法是将一个版本的配置信息在.bashrc注释掉。到底哪个能用，还是看PyCharm配置的哪个

2.2 PyCharm配置mxnet(gluon)

还记得上面的过程中有一步要执行很久，没错就是1.3。这一步到底在干嘛？简单地讲，给用户配置好mxnet环境，换句话说，你只要用这个环境，所有需要的包都可以导入了。环境ok啦 怎么一步搞定，因为我发现一些人使用的时候总在换解释器，总觉得解释器不对，换一次更新又要等很久。

2.3 mxnet解释器路径在哪？

首先，我们安装了Anaconda3，当然路径在Anaconda3下面啊。有一个envs文件夹里面有gloun文件夹，就是这个啦，大概有500M，这就解释了1.3中为什么等这么久了。

里面有所有的信息啊，你可以想想为什么要conda activate gluon？

这里分享个简单不会出错的方式，在激活的终端中启动Pycharm，如下图，务必要这样，不然启动后Pycharm识别的Conda是普通的，而不是gloun的环境。

启动PyCharm，新建工程，按照下面的设置

正如上面的分析，点击后选择conda，会自动识别到gloun。

2.4 PyCharm中matplot画不了图？

先检查下是不是已经出现小窗口了？ 画图前一定要加上plt.show(); 这里有个案例，也可以参考下:

3 GPU配置请看这儿，建议先看上面

3.1 Nvidia显卡，CUDA，CUDNN?

这里有必要解释三个名词的含义，不要糊里糊涂的乱用命令啊。Nvidia显卡: 你买的GPU需要驱动吧，没有驱动电脑是不认识的，当然驱动是官方提供的，任何设备都需要驱动，没有驱动不工作。CUDA:是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。也就是说CUDA是NVIDIA推出的并行架构，只有买它的产品才能获得这种"售后"。深度学习中，也叫做N卡，称之为GPU。不是它的产品被叫做CPU版本，当然并行架构又不是只有CUDA，还有OpenBlas(免费)，intel(KML 收费)，换句话说，没有买N卡的电脑也可以并行加速，这里讲N卡。注意: 只有驱动装好了，才能装CUDA啊。CUDNN:在CUDA基础上，进一步实现深度神经网络GPU加速，NVIDIA推出了CUDNN，它强调性能、易用性和低内存开销。Tensorflow、caffe， mxnet等都支持。这里就不讲了，感兴趣的可以百度下。注意: 只有装好了CUDA,才可以弄CUDNN。

3.1.1 根据显卡型号安装合适Nvidia驱动

不要觉得这步多余，安装好显卡驱动请跳过。

**对于新电脑刚装好的Ubuntu系统，进入系统是使用的集成显卡，此时没有使用GPU。**为此，需要在官网上下载linux版驱动。注意:要仔细一把成功，否则开机是黑屏，因为显卡驱动都没转好，显示器就很尴尬了

如果以前安装过的，需要升级的话，需要先卸载!

N卡官方地址: https://www.nvidia.cn/Download/index.aspx?lang=cn

这里有一篇文章，可以参考下

下面直接通过命令查询，合适的驱动版本

ubuntu-drivers devices

成功后，可以用nvidia-smi查看，没输出就要找问题了。

3.1.2 选择合适的CUDA版本

虽然说CUDA只是一个并行库，并不是所有的版本都可装的，官方有一个推荐版本，请按照规则来。

CUDA各版本下载地址 https://developer.nvidia.com/cuda-toolkit-archive

# run文件简单些，其他的都可以，就是不要下载远吗自己编译。。。。
wget 链接
sudo sh xxx # 如果你在root下安装的，非root用户也可以用，影响不大。建议默认安装，不要改安装路径

3.1.3 将CUDA加入系统库路径下

这一步很重要，你装了再多的软件，不告诉系统等于0.

cd 				# 到用户根目录下，和~是一样的
vim .bashrc		# 打开并转到末尾，添加一行代码
export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:/usr/local/cuda-9.0(版本不同这里不一样!)/lib64
source .bashrc

3.2 安装GPU的MXNet

这里假定你已经了解了第一部分和第二部分了。

3.2.1 选择合适的(MXNet)GPU

安装软件前，先到仓库里看看mxnet有什么版本啊，不要乱装，一次还是很费时的，一次搞定啊

pip search mxnet

3.2.2 修改environment.yml

vim environment.yml

如果之前我安装过CPU版本，请把之前的gluon复制出来，万一以后要用呢?省的重复操作。再把gluon文件夹删除，这是最好的一步成功的办法。

还有需要注意的是: 在激活的环境中卸载CPU的mxnet，pip uninstall mxnet.再退出激活环境(直接一个bash即可)。

执行conda env create -f environment.yml，还是要等很久。

3.2.3 很不幸，需要重新装jupyter notebook见上

测试代码

import mxnet as mx
from mxnet import nd

# 简单的展示gpu配置成功
print(mx.cpu(), mx.gpu());

# NDArray在CPU上运算
x_cpu = nd.array([1, 2, 3]);
print(x_cpu);                   # NDArray默认在CPU上 也就是物理内存上分配
print(x_cpu.context);           # 通过context来查看NDArray所在的设备


# NDArray在GPU上运算
x_gpu = nd.array([1, 2, 3], ctx=mx.gpu());
print(x_gpu);                   # NDArray默认在CPU上 也就是物理内存上分配
print(x_gpu.context);           # 通过context来查看NDArray所在的设备

3.4 Pycharm导入CUDA

通过上述的步骤，已经可以在终端或jupyter notebook都可以使用了，再使用上面的脚本就很方便了，不过就是每个终端都需要激活环境conda activate gluon。 第一部分，第二部分是CPU很重要，不然你会遇到很多问题。。。。

3.4.1 libcudart.so.xxx: cannot open shared object file: No such file or directory

很明显的动态库问题，有两个主要的原因:

1. CUDA根本没装好，这个你需要仔细重复上面的过程
2. CUDA装好了，只是Pycharm还不知道CUDA的位置，这个简单。

动态库的问题在程序链接的时候才会出现，主要是某某软件找不到指定的动态库而已。那么怎么告诉Pycharm CUDA的位置?需要的动态库在哪? libcudart.so.xxx在哪?不知道的话，可以全局查找，不过这里直接给出位置/usr/local/cuda-10.0/lib64

sudo ldconfig /usr/local/cuda-10.0/lib64

不过ldconfig不是这么用的，有些不专业。感兴趣的可以去看看/etc下面ld.so.conf和ld.so.conf.d文件下的内容。熟悉PKG管理的，对动态应该很熟悉，比如常见的OPENCV,HDF5。

3.4.3 可以用上面的测试案例试试Pycharm，有问题请留言。

最后验证下，我们的GPU是不是已经被Pycharm使用了

用nvidia-smi查看谁用了GPU,得到PID,去虚拟文件系统去找即可。