pytorch-deep-learning 环境搭建指南Google Colab 在线起步与本地 Linux GPU 环境配置【免费下载链接】pytorch-deep-learningMaterials for the Learn PyTorch for Deep Learning: Zero to Mastery course.项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning本指南以《Learn PyTorch for Deep Learning: Zero to Mastery》课程仓库中的 SETUP.md 为骨架系统梳理两条深度学习开发环境的搭建路线一条是近乎零配置的 Google Colab 在线方案适合课程前四个章节00–04快速起步另一条是基于 Miniconda Jupyter Lab 的本地 Linux GPU 方案适合需要长期、灵活、可脚本化开发的学习者。读完本文你将掌握从在线 notebook 一键运行、GPU 启用与验证到本地 conda 环境创建、依赖安装与冒烟测试的完整实操流程并能理解每一条命令和每一个验证步骤背后的原理。为什么需要一份专门的环境搭建指南在 SETUP.md 开篇就点明了核心痛点搭建一台可用于深度学习的机器「从硬件到软件再到让代码在你机器上的运行效果与在别人机器上一致的各种细枝末节」整个过程相当繁琐。为此该指南刻意保持简单——但又不是简单到无法复用到其他项目。仓库中的环境搭建说明提供两条可选路径Google Colab最简单零配置、免费 GPU、可分享适合课程起步阶段本地/远程机器步骤稍多但长期更灵活完全掌控环境适合脚本化开发与长期项目。需要强调的是这两条路线都不是 PyTorch 官方安装文档 的替代品。如果你打算长期编写 PyTorch 代码熟悉官方安装文档是必要的功课——本指南只是课程语境下「其中一种」可行的装法。两条路线怎么选先用 Colab 起步需要时再扩展原文给出了一个非常务实的取舍逻辑课程起始 notebook00–04完全在 Google Colab 中完成因为它足以满足课程初期的全部需求当你想把一个实验沉淀成更大的项目、或需要长时间稳定计算时再迁移到本地或云端算力。对比维度Google Colab本地 Linux NVIDIA GPU上手成本几乎为零预装 PyTorch、pandas、NumPy、Matplotlib需安装 Miniconda、创建环境、逐条安装依赖GPU免费额度 付费升级选项依赖本机显卡与驱动会话持久性约 2–3 小时超时付费可延长状态易丢失长期稳定无超时限制本地存储无直接访问需借助挂载等变通方案直接读写本地磁盘脚本化开发不太适合把代码整理成模块完全可控适合模块化工程作者的推荐工作流是大量初学者实验在 Colab 里做一旦发现值得做成更大项目或需要持续投入的内容就转移到本地或云端计算。这与课程 05 章节「Going Modular」的设计一脉相承——先是 notebook 单元模式再转向going_modular/下的脚本模式详见 going_modular/going_modular 目录。方案一Google Colab 零配置起步Google Colab 是一个基于 Jupyter Notebook 的免费在线交互式计算平台。它随附了 PyTorch 以及 pandas、NumPy、Matplotlib 等大量数据科学包基本做到了「打开即用」。优点几乎零配置PyTorch 与常用数据科学包已预装可通过链接分享你的工作成果免费访问 GPUGPU 能显著加速深度学习代码付费可解锁更多算力。缺点超时限制多数 notebook 状态只能保持 2–3 小时付费可延长无法直接访问本地存储虽有变通办法不太适合脚本化开发把代码整理成模块。上手先熟悉 Colab 界面开始使用前建议先过一遍 Google Colab 官方提供的「Introduction to Google Colab」示例 notebook路径colab.research.google.com中的 basic features overview熟悉按钮和各项功能的位置。方式一通过「Open in Colab」一键打开课程每个 notebook 的在线书版本或 GitHub 版本顶部都有Open in Colab按钮点击即可直接在 Colab 中运行该 notebook。如果你想把 notebook 的副本保存到自己的 Google Drive可以接着点击Copy to Drive按钮。方式二通过 GitHub 链接直接打开你也可以把任意 GitHub 上的 notebook 链接直接粘贴进 Google Colab效果与方式一相同。原文特别提醒这种方式只建议用于测试目的。正式学习课程时强烈推荐自己动手把代码写一遍而不是直接运行现成代码——这正是课程「学徒制」教学方式的精髓我写代码你写代码。在 Colab 中启用并验证 GPUColab 默认的运行时可能没有 GPU。启用 CUDA 支持的 NVIDIA GPU 的路径为Runtime - Change runtime type - Hardware Accelerator - GPU注切换硬件加速器会要求重启运行时。启用后在 notebook 单元中运行以下命令即可确认当前可用的 GPU 型号!nvidia-smi若输出显卡信息说明已获得 GPU 访问权。接下来确认 PyTorch 是否能真正使用这块 GPUimport torch # Google Colab 已预装 torch print(torch.cuda.is_available()) # 返回 True 说明 PyTorch 可以使用 GPU如果 Colab 上的 PyTorch 能看到 GPU上述代码会打印True。这个torch.cuda.is_available()检查模式在仓库中已经成为「设备无关代码」的标配。例如 going_modular/going_modular/train.py 中就是用同一套逻辑来自动选择计算设备device cuda if torch.cuda.is_available() else cpu也就是说在 Colab 里打开 GPU 后课程代码无需任何改动就会自动跑到 GPU 上没有 GPU 的环境则会回退到 CPU保证代码在任何机器上都能运行。方案二本地 Linux NVIDIA GPU 环境搭建适用前提与设计动机这套方案有两个明确的适用前提面向 Linux 系统世界上使用最广泛的操作系统如果你运行的是 Windows 或 macOS应参考 PyTorch 官方安装文档假设你拥有一块 NVIDIA GPU。原文以机器学习工程师的日常使用为出发点这套流程「几乎每天都会用到」能覆盖大量工作流且足够灵活以便按需调整。需要注意原文档将「安装 CUDA 驱动」这一步标记为TK TODO尚未补全并在整体架构示意图片处留有占位符。因此本文假设你已经拥有可用的 CUDA 驱动环境驱动层面的安装请参考 PyTorch 官方安装文档与显卡厂商提供的说明。第 1 步安装 Miniconda首先安装 Miniconda如果已安装 Anaconda 也可以直接使用。核心要求是命令行里能访问到conda命令。务必完整走完 Miniconda 官方安装指南中的所有步骤再进入下一步。第 2 步创建课程目录为课程材料建一个目录名称随意并进入该目录mkdir ztm-pytorch-course cd ztm-pytorch-course第 3 步创建 conda 环境用--prefix把环境直接建在当前目录下的env文件夹中例如ztm-pytorch-course/env。命令提示y/n?时按yconda create --prefix ./env python3.8.13这里用--prefix而非-n命名环境的好处是环境与项目目录绑定整个课程项目代码 环境可以整体迁移、备份也便于多个项目各自隔离依赖。python3.8.13是课程编写时的推荐版本锁定了具体的 Python 小版本以保证依赖兼容性。第 4 步激活环境conda activate ./env激活后命令行提示符前缀会出现(env)后续安装的包都只会进入这个环境不影响系统全局 Python。实操提示如果你的 shell 尚未对 conda 初始化conda activate可能提示CommandNotFoundError。这种情况先执行conda init bash或对应 shell并重启终端即可这是 Miniconda 官方安装指南的收尾步骤。第 5 步安装课程依赖以下命令专门针对「Linux 系统 NVIDIA GPU」的组合可以一次性全部执行conda install -c pytorch pytorch1.10.0 torchvision cudatoolkit11.3 -y conda install -c conda-forge jupyterlab torchinfo torchmetrics -y conda install -c anaconda pip -y conda install pandas matplotlib scikit-learn -y各条命令与包的用途拆解如下命令/包渠道在本仓库中的作用pytorch1.10.0-c pytorchPyTorch 核心框架全部 00–09 章节 notebook 与 going_modular 脚本的基础torchvision-c pytorch视觉工具库如 data_setup.py 中的datasets.ImageFolder、transforms以及 helper_functions.py 中的torchvision.io.read_imagecudatoolkit11.3-c pytorchCUDA 运行时工具包让 PyTorch 能在 GPU 上加速计算jupyterlab-c conda-forge本地交互式开发环境用于逐单元运行课程代码torchinfo-c conda-forge打印模型结构摘要课程 06/07 章节大量使用如torchinfo.summary(...)输出冻结/解冻层的参数量torchmetrics-c conda-forge提供标准化评估指标课程实验跟踪章节配合使用pip-c anacondaPython 包管理器后续安装其他工具链时备用pandas/matplotlib/scikit-learn默认Anaconda 主渠道数据探索、可视化与经典机器学习例如 helper_functions.py 中大量使用matplotlib绘制决策边界、损失曲线、预测图与numpy02 章节分类实验使用scikit-learn生成数据集值得注意的两点工程细节使用-c channel指定渠道PyTorch 相关包必须来自 PyTorch 官方 conda 渠道pytorchtorchinfo/torchmetrics来自conda-forgepip来自anaconda渠道。混用渠道时conda 会按顺序解析指定渠道可以避免装到不兼容的构建版本。cudatoolkit与驱动是两回事cudatoolkit11.3是 PyTorch 运行所需的 CUDA 运行时组件随 conda 环境安装而 NVIDIA 显卡驱动属于系统层软件需要单独安装即原文档中标注 TODO 的那一步。两者版本需要匹配才能正常工作。第 6 步启动 Jupyter Lab 验证安装环境安装完成后先启动 Jupyter Lab 服务确认一切正常jupyter lab第 7 步Notebook 冒烟测试在 Jupyter Lab 中新建一个 notebook在单元里运行以下代码import pandas as pd import numpy as np import torch import sklearn import matplotlib import torchinfo, torchmetrics # 检查 PyTorch 计算是否正常应打印出一个张量 print(torch.randn(3, 3)) # 检查 GPU应返回 True print(torch.cuda.is_available())这段冒烟测试覆盖了三层验证依赖完整性pandas、numpy、torch、sklearn、matplotlib、torchinfo、torchmetrics全部能成功导入说明第 5 步的依赖安装没有缺漏PyTorch 基础计算torch.randn(3, 3)能打印出一个 3×3 随机张量说明张量运算链路正常GPU 可用性torch.cuda.is_available()返回True说明 PyTorch 已正确链接到 CUDA 运行时并识别到本机 GPU——这也是后续所有课程代码自动跑上 GPU 的前提。如果以上代码无报错运行你的本地环境就绪可以开始课程了。若遇到错误可以在课程的 GitHub Discussions 页提问或查阅 PyTorch 官方安装文档。版本说明与升级建议本仓库 SETUP.md 中锁定的版本Python 3.8.13、PyTorch 1.10.0、cudatoolkit 11.3反映了课程编写时2022 年 2 月前后见 README.md 更新日志中「added setup guide」的记录的推荐环境。这一组版本组合是验证过可互相兼容的照抄可以避免大量环境踩坑。同时README.md 也明确指出PyTorch 2.0 是向后兼容的增量发布此前所有课程材料在 PyTorch 2.0 下依然可以运行。因此如果你已经安装了更新版本的 PyTorch课程代码理论上无需改动而如果你希望完全复现课程原始环境按上述命令安装即可。两者的前提与限制不同请根据自身需求选择。从环境到代码仓库里的资源地图环境就绪后可以按以下路径开始使用本仓库课程 notebook00–09位于仓库根目录的 00_pytorch_fundamentals.ipynb 至 09_pytorch_model_deployment.ipynb在 Colab 中「Open in Colab」即可运行模块化代码going_modular/going_modular 下的data_setup.py、engine.py、model_builder.py、train.py、utils.py、predictions.py是课程 05 章节把 notebook 转成脚本的成果其中 train.py 就是「设备无关代码 依赖库」的完整组合示例公共工具函数helper_functions.py 汇集了课程反复使用的绘图、精度计算、数据下载等函数其导入的torch、matplotlib、numpy、torchvision与第 5 步安装的依赖一一对应在线书版本docs/index.md 是课程在线书的入口页包含完整的章节大纲与学习方法建议代码跟随、实验探索、可视化、提问、做练习、分享成果。总之无论你选择 Colab 的零配置路线还是本地 Linux GPU 的完整控制路线本指南提供的命令、验证代码与版本组合都可以直接照搬使用。环境搭好后剩下的就交给那句课程格言if in doubt, run the code拿不准就跑一下代码以及experiment, experiment, experiment!实验、实验、再实验。【免费下载链接】pytorch-deep-learningMaterials for the Learn PyTorch for Deep Learning: Zero to Mastery course.项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考