学习Pytorch遇到的一些问题（一）

基本介绍

这周开始学习深度学习的部分知识，参考的书是《动手学深度学习》（PyTorch版），在操作过程中遇到一些小问题，记录一下问题和解决办法。

PyTorch下载过慢

安装步骤

PyTorch的安装步骤相对简单，首先打开它的官网，找到下图所示的内容。第一行是选择版本，第二行是选择要在什么系统上安装，第三行如果是用Anaconda的话选Conda就可以，第四行是选择开发语言，第五行是选择CUDA的版本，这些都选好之后，会在第六行出现代码，这行代码就是用来安装的。复制这行代码，打开Anaconda的命令行，粘贴，回车就可以了。

安装过慢

在安装过程中，我发现下载十分缓慢，查找了一下资料发现是下载源的问题。解决方法如下。

1. 添加清华镜像源。

   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
   conda config --set show_channel_urls yes
   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
   

2. 删掉下载代码中的-c pytorch，因为这个是指定从官网下载。只添加清华源，不删除的话这两个指令的话仍然会从官网下载。即，需要执行下面的代码、

   conda install pytorch torchvision cudatoolkit=10.2
   

安装了CUDA但是无法使用GPU计算

CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 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。 我在PyTorch官网进行选择下载的时候选择的时候选择了CUDA 10.2，可是安装之后仍然无法使用GPU进行计算。

1. 检查时候可以使用GPU进行计算。可以在Jupyter里（或者新建一个py文件）运行下面两行代码，看一下输出。

   import torch
   print(torch.cuda.is_available())
   

   如果输出True，那么没任何问题；如果是False，可能是显卡的驱动需要更新一下。

2. Windows系统，直接去NVIDIA官网下载适合自己的显卡驱动，然后一路Next安装就可以了。如果是Manjaro（Linux）系统，请参考我的另一篇博客。

缺少d2lzh_pytorch库和FashionMNIST数据集下载错误

缺少d2lzh_pytorch库

d2lzh_pytorch这个库好像是本书的作者自建的，里面包含一些书本例程的函数。可以去这本书的github主页把整个项目下载下来，在code文件夹里有这个库。如果网速过慢，可以从下面这个链接下载。百度网盘：

链接：https://pan.baidu.com/s/1fcJrUishw6o2WdzGWTMP6w
提取码：qdug

下载之后，将它放在Anaconda安装目录的Lib文件夹里就可以了。

继续运行可能会出现缺少torchtext这个库。可以在Anaconda的命令行里执行以下命令。

pip install torchtext

FashionMNIST数据集下载错误

用到的FashionMNIST数据集有四个，前三个没有问题，在导入第四个的时候，出现了大意为“连接XXX时出现了连接错误”之类的错误，不清楚原因。解决步骤如下：

1. 去这个网站下载对应的数据集。打开该网页往下翻，在Get the Data部分有四个数据集及基本基本情况介绍，点击Download即可。

   

2. 将下载下来的数据集放到对应文件夹下。有两种方式可以查看应放的位置。

   • 根据之前导入的错误信息确定位置。错误信息中会出现“将A文件从B网站下载到C位置的时候XXX”。

   • 根据导入数据集时使用的命令确定。比如，使用以下代码导入，则目标位置是“User”目录下的Datasets文件夹中的FashionMNIST文件夹。

     mnist_train = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=True, download=True, transform=transforms.ToTensor())