Installera och konfigurera PyTorch på datorn.

Anmärkning

För större funktioner kan PyTorch också användas med DirectML i Windows.

I föregående steg i den här självstudien diskuterade vi grunderna i PyTorch och förutsättningarna för att använda den för att skapa en maskininlärningsmodell. Här installerar vi den på din dator.

Hämta PyTorch

I den här självstudien använder du en Anaconda-miljö i 64-bitars Windows för att träna och köra din modell på CPU:n. För Windows ML-programmet senare i självstudien behöver du Windows 10 version 1809 (version 17763) eller senare. Du behöver ingen GPU eller CUDA för de här stegen.

Viktigt!

Det här är en äldre handledning. Stegen behåller paketversionerna för Python 3.8 och PyTorch 1.7.1 som visas i de ursprungliga installationsexemplen, i stället för att uppgradera den efterföljande tränings- och ONNX-exportkoden. Python 3.8 stöds inte längre och PyTorch slutade publicera officiella Conda-paket från och med version 2.6. Använd en separat testdator eller virtuell dator för att återskapa den här miljön, inte en produktionsmiljö. För nya projekt, följ de aktuella installationsanvisningarna för PyTorch; nyare paket har inte validerats med den här självstudien.

  1. Ladda ned installationsprogrammet Anaconda3-2020.11-Windows-x86_64.exe för 64-bitars Windows från installationsarkivet för Anaconda och installera det på testdatorn. Anaconda 2020.11 innehåller Python 3.8.5 och de dataanalyspaket som används senare i självstudien.

    Arkiverad Anaconda-nedladdningssida som visar installationsprogrammet för Python 3.8 Windows.

  2. Öppna Start > Anaconda3 > Anaconda PowerShell Prompt. Kontrollera dina Python- och Conda-versioner:

    python --version
conda --version

    Kontrollera att Python rapporterar version 3.8 innan du fortsätter.

    Anaconda PowerShell-prompt som visar Python- och Conda-versioner.

  3. Se instruktionerna för v1.7.1 > Conda > Linux och Windows > endast CPU på sidan med tidigare PyTorch-versioner. I den här självstudien används alternativen Windows, Conda, Python och CPU, inte den aktuella stabila versionsväljaren. CUDA-versioner är tillgängliga för kompatibla NVIDIA GPU:er, men GPU-konfigurationen ingår inte i den här proceduren.

    Historisk PyTorch 1.7.1-väljare som visar Windows, Conda, Python och ingen CUDA.

  4. Installera CPU-paketen i samma Anaconda PowerShell-prompt. Versionerna fästs för att undvika att välja en nyare PyTorch-version:

    conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cpuonly -c pytorch

    Anaconda-paketplan som visar CPU-versionen av PyTorch 1.7.1 och tillhörande paket.

    Skärmbilderna är historiska exempel. deras Python versioner och icke-fästa kommandon kan skilja sig åt. Följ kommandona i texten.

  5. Granska paketplanen, ange y när du uppmanas att göra det och vänta tills installationen har slutförts. Om Conda inte kan lösa de äldre paketen ska du inte ersätta den senaste PyTorch-versionen och anta att de senare självstudiestegen är kompatibla.

  6. Starta Python i samma prompt:

    python

    Ange följande kod för att skapa en slumpmässigt initierad tensor:

    import torch

x = torch.rand(2, 3)

print(x)

    Utdata ska vara en slumpmässig 2×3-tensor (två rader och tre kolumner). Dina siffror skiljer sig åt, men formen ska matcha det här exemplet:

    tensor([[0.5343, 0.7362, 0.8390],
        [0.4758, 0.2399, 0.1936]])

    Python-utskrift av en tensor med två rader och tre kolumner.

    Ange exit() för att återgå till Anaconda PowerShell-prompten. Använd samma Anaconda-miljö när du väljer Python-tolken i nästa steg i självstudien.

Anmärkning

Vill du veta mer? Besök PyTorchs officiella webbplats.

Nästa steg

Nu när vi har installerat PyTorch är vi redo att konfigurera data för vår modell.

  • Uppdaterades senast