【深度学习】不用Conda在PP飞桨Al Studio三个步骤安装永久PyTorch环境

在 PaddlePaddle AI Studio 中使用 Python 虚拟环境安装 PyTorch

免责声明

在阅读和实践本文提供的内容之前，请注意以下免责声明：

• 侵权问题: 本文提供的信息仅供学习参考，不用做任何商业用途，如造成侵权，请私信我，我会立即删除，作者不对读者因使用本文所述方法而导致的任何损失或损害负责。

• 信息准确性: 本文提供的信息可能随时更改，作者不保证文中所述方法在未来的软件更新中仍然有效。

• 个人风险: 读者在按照本文提供的方法操作时，应该自行承担风险。作者不对读者因使用本文所述方法而导致的任何损失或损害负责。

• 软件兼容性: 本文中提到的软件版本和兼容性可能会受到变化。读者应该在实施前查看相关软件的官方文档，以确保使用的软件版本相互兼容。

• 个体差异: 不同的计算机环境、操作系统版本和其他因素可能导致实际操作效果有所不同。读者在实践中可能需要进行适当的调整。

• 建议备份: 在进行重要操作之前，建议读者备份其数据和设置，以防万一发生意外情况。

• 社区支持: 读者如果遇到问题，建议参考相关软件的官方社区或论坛，以获取更多帮助。

前言

在深度学习领域，选择适合自己项目需求的框架是至关重要的。PaddlePaddle AI Studio作为一款强大的深度学习开发平台，提供了丰富的硬件支持、模型库、实验管理和团队协作功能。然而，有时我们可能希望结合其他框架的优势，比如PyTorch。本文旨在指导你如何在PaddlePaddle AI Studio中安装PyTorch，以实现深度学习项目的灵活开发。

摘要

本文通过三个主要步骤，详细介绍了在PaddlePaddle AI Studio中安装PyTorch的过程。首先，我们深入了解了AI Studio的基础知识，包括其提供的丰富资源、实验管理功能和团队协作特点。接着，我们重点介绍了准备工作，确保读者能够熟练使用AI Studio的基本功能，并了解为何选择Python虚拟环境进行安装。随后，我们逐步引导读者创建和激活Python虚拟环境，并安装PyTorch框架。最后，考虑到网络条件，我们介绍了手动下载和安装PyTorch和TorchVision的方法。

通过本文的指导，读者将能够在PaddlePaddle AI Studio中顺利安装PyTorch，为深度学习项目的跨框架开发提供了实用的方法。

1. 引言

PaddlePaddle AI Studio 不仅为开发者提供了一体化的深度学习开发平台，还为用户提供了丰富的硬件资源、模型库以及协作工具。在某些情况下，我们可能需要在 AI Studio 中结合其他深度学习框架，比如 PyTorch，以充分发挥其优势。本文将详细指导你通过 Python 虚拟环境在 AI Studio 中安装 PyTorch。

配环境第4章开始，这里2、3介绍基础知识

2. PaddlePaddle AI Studio 基础知识

在使用 AI Studio 之前，让我们更深入地了解这个平台的基础知识：

2.1 什么是 PaddlePaddle AI Studio？

PaddlePaddle AI Studio 是一款由百度推出的深度学习开发平台，它汇聚了许多便于使用和学习的功能：

• 硬件支持: AI Studio 提供了强大的硬件支持，包括 GPU 加速，以加速深度学习任务。

• 模型库与预训练模型: AI Studio 内置了丰富的深度学习模型和预训练模型，使用户能够在各种任务上快速启动项目，并支持迁移学习。

• Notebook 环境: AI Studio 集成了 Jupyter Notebook 环境，为用户提供了一个灵活且交互式的开发平台，适用于多种深度学习框架。

• 项目协作: AI Studio 支持多人协作，让团队成员能够轻松共享代码、数据和实验记录，促进项目的协同开发。

2.2 AI Studio 的特点

• 丰富的深度学习资源: 用户可以通过 AI Studio 访问丰富的深度学习资源，包括技术文档、教程和论坛，以便更好地理解和解决问题。

• 实验管理: AI Studio 提供了实验管理功能，用户可以方便地记录和管理不同实验的代码、参数和结果。

2.3 如何使用 AI Studio

• 项目创建与管理: 在 AI Studio 中，用户可以轻松创建新项目，添加所需的代码文件、数据和配置，以便更好地组织和管理深度学习任务。

• Notebook 的使用: AI Studio 的 Notebook 环境支持多种深度学习框架，包括 PaddlePaddle 和 PyTorch。用户可以在云端进行代码编写、实验和模型训练。

2.4 AI Studio 中的实验管理

• 实验记录: 在 AI Studio 中，实验记录是项目的核心。用户可以记录每次实验的代码、参数设置和结果，从而更好地了解实验的进展和效果。

• 代码版本控制: AI Studio 提供代码版本控制功能，允许用户管理项目中不同版本的代码。这对于团队协作和追踪代码变更非常有帮助。

• 参数调优: AI Studio 支持通过实验进行参数调优。用户可以方便地调整不同的参数组合，并记录每次实验的性能指标，以便找到最佳的模型配置。

• 结果可视化: AI Studio 提供直观的结果可视化工具，使用户能够轻松地查看实验结果、绘制图表，并比较不同实验之间的性能差异。

• 资源监控: 在进行深度学习实验时，资源的监控是至关重要的。AI Studio 提供了对 GPU 和内存等资源的监控功能，帮助用户更好地了解实验运行的状态和性能。

2.5 AI Studio 中的学习资源

• 技术文档: AI Studio 提供详细而全面的技术文档，覆盖了平台的各个方面。用户可以在文档中找到使用教程、API 参考和最佳实践指南。

• 在线社区: AI Studio 的在线社区是用户之间交流的平台。用户可以在论坛上提问、分享经验，并得到来自社区的及时支持。

• 教程和示例: AI Studio 提供了丰富的教程和示例，涵盖了从入门到高级的各种主题。这些资源有助于用户更好地理解深度学习概念和实践技能。

通过深入了解这些方面，用户可以更全面地利用 PaddlePaddle AI Studio 的功能，从而更加高效地进行深度学习任务的开发和管理。

2.6 AI Studio 中的团队协作

• 团队项目管理: AI Studio 提供了便捷的团队项目管理功能，团队成员可以共同协作一个项目。这包括共享代码、数据和实验记录，使得整个团队能够更好地协同工作。

• 权限控制: 为了确保项目的安全性和隐私，AI Studio 允许项目拥有者设置不同团队成员的权限。这样，团队成员只能访问他们所需的项目资源，保障了项目的安全和保密性。

• 实时协作: 在 AI Studio 的 Notebook 环境中，多人可以实时协作编辑代码。这提高了团队协作的效率，使得成员之间能够更即时地共享思路和解决问题。

2.7 AI Studio 中的模型部署

• 模型导出与部署: AI Studio 不仅支持模型训练，还提供了简便的模型导出和部署功能。用户可以将训练好的模型轻松导出，并在不同的环境中进行部署，从而应用到实际生产中。

• 服务化部署: 通过 AI Studio，用户可以将训练好的模型以服务的形式进行部署，实现在线预测。这对于需要实时推理的应用场景非常有用。

2.8 AI Studio 中的学习路径

• 个性化学习推荐: AI Studio 根据用户的使用和学习历史，提供个性化的学习推荐。这使得用户能够更有针对性地学习新的深度学习技术和最佳实践。

• 在线培训和课程: AI Studio 还提供在线培训和课程，帮助用户更深入地了解深度学习领域的知识。这些资源有助于用户系统性地提升他们的技能水平。

通过深入了解上述内容，用户可以更好地掌握 PaddlePaddle AI Studio 的强大功能，从而更加高效地开展深度学习项目的各个阶段，包括团队协作、模型部署以及不断的学习与提升。

3. 准备工作

在你着手安装 PyTorch 之前，确保你已经熟悉 PaddlePaddle AI Studio 的基本使用，并理解为什么在这个平台上使用 Python 虚拟环境进行安装是一个明智的选择。以下是更详细的准备工作：

3.1 熟悉基本 AI Studio 操作

确保你能够熟练地使用 AI Studio 的基本功能，包括但不限于：

• 项目创建: 能够创建新的深度学习项目，并了解如何组织项目结构。

• 资源管理: 了解如何管理项目中的代码文件、数据集和实验记录。

• Notebook 环境: 熟悉在 AI Studio 中使用 Jupyter Notebook 进行代码编写和实验的基本操作。

3.2 了解 Python 虚拟环境的优势

在 AI Studio 中安装 PyTorch 时，我们选择使用 Python 虚拟环境。确保你了解以下 Python 虚拟环境的优势：

• 隔离环境: Python 虚拟环境可以帮助你在项目之间隔离依赖关系，避免不同项目之间的冲突。

• 版本管理: 能够通过虚拟环境管理 Python 解释器和依赖库的版本，确保项目在不同环境中的一致性。

• 轻量级: 虚拟环境是轻量级的，不会污染全局 Python 环境，提高了项目的可维护性。

3.3 项目创建和资源管理

在开始安装 PyTorch 之前，确保你已经在 AI Studio 中创建了一个项目，并了解如何有效地管理项目的资源。包括：

• 代码管理: 了解如何上传、下载和管理项目中的代码文件。

• 数据集准备: 如果你的项目涉及使用数据集，确保数据集已经上传到 AI Studio，并了解如何在项目中引用这些数据。

• 实验记录: 熟悉如何记录和管理不同实验的代码、参数和结果。这对于追踪实验进展和比较不同模型配置的性能非常重要。

通过这些准备工作，你将更有信心和效率地进行后续的 PyTorch 安装和实验操作。

4. 创建激活 Python 虚拟环境

使用 Python 的 venv 模块可以轻松地创建虚拟环境。点加号打开 AI Studio 的 终端，执行以下命令：

python -m venv venv

这将在当前目录下创建一个名为 venv 的虚拟环境，我们的torch环境也会一直保持在这个文件夹中

激活虚拟环境。

source venv/bin/activate

5. 安装 PyTorch

在激活的虚拟环境中，使用 pip 安装 PyTorch：

pip install torch

这将下载并安装最新版本的 PyTorch，这里的torch不可以使用gpu，这一步是为了确定当前实例的python和cuda版本

pip list

这样的就是cu121,我还遇到了cuda117版本的

6. 找到对应torch/torchvision.whl下载后上传安装，pip直接装很慢

cu121
https://download.pytorch.org/whl/cu121
cu117
https://download.pytorch.org/whl/cu117
注意python版本和cuda版本必须保持一致下载linux_x86_64.whl版本的，然后pip直接装
不一定是python310,也不一定是cu121

比如

pip install torch-2.1.1+cu121-cp310-cp310-linux_x86_64.whl
pip install torchvision-0.16.1+cu121-cp310-cp310-linux_x86_64.whl

你一定要pip直接装的话就这样，torch和torchvision版本可与你上面第一次装保持一致

pip install torch==2.1.1+cu121  -f https://download.pytorch.org/whl/torch_stable.html

7. 参考文献

• PaddlePaddle AI Studio
• PyTorch 官方文档
• 半自动化使用.bat手动打包迁移python项目

总结

通过本文的介绍，我们深入了解了PaddlePaddle AI Studio的基础知识，包括其在硬件支持、实验管理和团队协作方面的强大功能。同时，我们提供了在AI Studio中安装PyTorch的详细步骤，帮助读者灵活运用不同深度学习框架的优势。强调了准备工作的重要性，以确保项目的顺利进行。最后，我们还介绍了手动下载和安装PyTorch和TorchVision的方法，以应对网络环境的挑战。

希望本文的内容能够帮助读者更好地利用PaddlePaddle AI Studio的功能，实现高效的深度学习项目开发。