虚拟环境pytorch如何调用

调用 PyTorch 需要先激活虚拟环境，然后在虚拟环境中安装 PyTorch 库。可以按照以下步骤来调用 PyTorch：

1. 打开终端，进入虚拟环境所在的工作目录。

2. 激活虚拟环境，命令如下：

   source activate <虚拟环境名称>

其中，`<虚拟环境名称>` 是你创建的虚拟环境的名称。

3. 安装 PyTorch 库，命令如下：

   conda install pytorch torchvision -c pytorch

这个命令会安装 PyTorch 和 torchvision 库。如果你只需要使用 PyTorch 库，可以省略 `torchvision`。

4. 在 Python 中导入 PyTorch 库并使用，例如：

   import torch

   # 创建一个张量
   x = torch.tensor([1, 2, 3])
   print(x)

这个代码片段创建了一个包含整数 1、2、3 的张量，并打印出来。

记得在完成工作后，退出虚拟环境。命令如下：

source deactivate

这样就可以退出虚拟环境，回到系统默认的 Python 环境中。

相关问题

pycharm创建conda虚拟环境pytorch

### 创建包含 PyTorch 的 Conda 虚拟环境

#### 使用终端创建 Conda 环境并激活
为了在 PyCharm 中创建一个包含 PyTorch 的 Conda 虚拟环境，首先需要通过命令行工具来设置好所需的 Python 版本以及必要的包。可以在 PyCharm 内置的 Terminal 或者系统的命令提示符/终端应用里执行如下指令：

对于 Python 3.6 版本：

conda create -n pytorch python=3.6

接着激活新建立好的环境[^1]:

conda activate pytorch

如果偏好更高版本的 Python，则可以选择 Python 3.9 来构建环境，并指定名称为 `pytorch_gpu` 表明这是用于 GPU 加速计算的 PyTorch 开发环境[^2]：

conda create -n pytorch_gpu python=3.9

同样地，也可以选择 Python 3.8 并命名为 `conda_pytorch`[^3]：

conda create -n conda_pytorch python=3.8

#### 安装 PyTorch 及其依赖项
一旦选择了合适的 Python 解释器版本并且成功创建了新的 Conda 环境之后，就可以继续安装 PyTorch 和任何其他的所需库。这一步骤通常是在已经激活的目标环境中完成。

#### 配置 PyCharm 进行开发工作
当上述准备工作完成后，回到 PyCharm IDE 内部来进行最后几步配置以便能够顺利开展基于 PyTorch 的项目开发。具体操作包括但不限于以下几个方面[^4]:

- **Location**: 指定一个新的本地文件夹路径作为即将要使用的虚拟环境的位置；确保这是一个尚未被占用的有效位置。

- **Base Interpreter**: 此处应指向之前利用 Conda 命令新建的那个特定于项目的解释程序实例（比如上面提到过的 `pytorch`, `pytorch_gpu` 或者 `conda_pytorch`)。

- 对话框内的两个复选框提供了额外的选择机会：允许共享全局已有的软件包资源或是保持严格独立性仅限内部可用的内容；还可以决定是否让当前定制化的运行时环境对外开放供其它工程调用。

pytorch调用GPU

### 配置和使用 PyTorch 的 GPU 加速

为了确保能够在 PyTorch 中利用 GPU 提升计算性能，需确认安装的是支持 CUDA 版本的 PyTorch 库[^1]。如果遇到 `AssertionError: PyTorch not compiled with CUDA enabled` 错误，则表明当前使用的 PyTorch 不支持 CUDA 功能。

#### 安装兼容 CUDA 的 PyTorch

推荐通过 Anaconda 来管理 Python 环境以及安装所需的库文件，因为这可以简化依赖关系处理并减少冲突的可能性[^3]。具体操作如下：

- 打开终端或命令提示符窗口；
- 创建一个新的 conda 虚拟环境（可选），例如命名为 pytorch_env：

  conda create -n pytorch_env python=3.9

- 激活创建好的虚拟环境：

  conda activate pytorch_env

- 使用 Conda 或 pip 命令安装带有 CUDA 支持的 PyTorch 发行版。这里假设计算机上已正确设置了 NVIDIA 显卡驱动程序及相应的 CUDA 工具包版本。对于特定 CUDA 和 cuDNN 组合的选择，请参照官方文档说明：

  # 对于最新稳定版且自动匹配合适的CUDA版本
  conda install pytorch torchvision torchaudio cudatoolkit -c pytorch
  
  # 或者指定确切版本号
  pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio===0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

完成上述步骤之后，应该能够成功加载支持 GPU 计算能力的 PyTorch 实例。

#### 测试 GPU 是否可用

可以通过下面这段简单的代码片段验证是否已经正确启用了 GPU 加速功能：

import torch

if torch.cuda.is_available():
    device = 'cuda'
else:
    device = 'cpu'

print(f'Using {device} device')

tensor_example = torch.tensor([1., 2., 3.], device=device)
print(tensor_example)

# 将现有张量移动到GPU (仅当它最初位于CPU时有效)
another_tensor = another_tensor.to(device)

以上脚本会尝试检测系统内是否存在可用的 Nvidia GPU 设备，并打印出正在使用的设备名称；接着定义了一个小型张量对象并将之放置在选定的目标硬件之上运行[^2]。