机器学习与深度学习 / 系统课时
准备 PyTorch 图像实验环境
准备 PyTorch 图像实验环境
本节把图像实验所需的 Python、PyTorch 和 torchvision 准备好,并用一次真实张量计算检查安装结果。完成后,你应该能够确认 PyTorch 可以正常导入,并明确当前实验实际运行在 CPU 还是可用的 CUDA GPU 上。
学习目标
- 安装用于 CNN 实验的 PyTorch 与 torchvision
- 判断当前环境使用 CPU 还是 CUDA GPU
- 通过矩阵运算验证张量创建、设备迁移和计算链路
先确认 Python 环境
建议为课程单独使用虚拟环境,避免已有项目中的深度学习依赖相互覆盖。Python 版本需要处于当前 PyTorch 支持范围内,并确保当前终端执行的 python 与后续安装包时使用的是同一个解释器。
可以先运行 python --version 与 python -m pip --version 检查解释器和 pip 是否都能找到。若机器中安装了多个 Python,重点核对两条命令显示的解释器路径是否属于你准备使用的环境。
安装 PyTorch 与视觉组件
本课程需要 torch 完成张量计算和神经网络训练,需要 torchvision 提供常用图像数据集、变换和视觉模型组件。CPU 环境可以直接安装默认发行包;需要 CUDA GPU 时,应选择与当前系统和驱动兼容的 PyTorch 安装方案。
python -m pip install -q torch torchvision
python -c "import torch, torchvision; print(f'torch={torch.__version__}'); print(f'torchvision={torchvision.__version__}')"预期输出
torch=<VERSION>
torchvision=<VERSION><VERSION> 会随实际安装版本变化。只要两行版本能够正常打印且没有导入异常,就说明基础包已经安装成功。
用张量计算验证设备
下面的脚本会优先选择 CUDA GPU;如果 CUDA 不可用,就自动回退到 CPU。随后在选定设备上执行一次矩阵乘法,再把结果转回普通列表输出。这样能同时验证张量创建、设备选择和核心计算是否正常。
import torch
# CUDA 可用时使用 GPU,否则保证实验仍能在 CPU 上运行。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
a = torch.tensor([[1.0, 2.0], [3.0, 4.0]], device=device)
b = torch.tensor([[5.0, 6.0], [7.0, 8.0]], device=device)
result = a @ b
print(f"device={device.type}")
print(result.cpu().tolist())预期输出
device=<DEVICE>
[[19.0, 22.0], [43.0, 50.0]]<DEVICE> 通常为 cpu 或 cuda。矩阵结果应保持一致,因为计算设备只改变执行位置,不应改变这里的数学结果。
出错时按层定位
如果 import torch 直接失败,先确认包是否安装到了当前解释器,而不是立即检查显卡。使用 python -m pip 而不是独立的 pip,可以减少 pip 与 Python 指向不同环境的问题。
如果 PyTorch 可以正常导入,但检测结果始终是 CPU,而你希望使用 NVIDIA GPU,则问题已经缩小到 CUDA 运行链路。此时应依次核对显卡驱动是否可用、安装的 PyTorch 是否支持目标 CUDA 环境,以及当前 Python 进程是否运行在预期环境中。
如果矩阵计算能够得到预期结果,即使当前只有 CPU,本课程的基础 CNN 实验也已经具备可运行条件。GPU 的主要价值是缩短后续模型训练时间,而不是决定代码能否正确执行。