PyTorch是一个开源机器学习框架，允许开发人员构建和训练神经网络。由于其灵活性和易用性，它在数据科学界被广泛使用。
PyTorch可以使用 Anaconda 安装，Anaconda 是Python编程语言的流行发行版，广泛用于数据科学。
在这篇文章中，我将记录在 Mac 中 使用 Conda 和 pip 安装PyTorch 的步骤。
Anaconda是一个包含了许多用于数据科学和机器学习的软件包的Python发行版。它包括了Python解释器本身以及许多常用的科学计算和数据处理库，如NumPy、Pandas、Matplotlib和SciPy等。Anaconda的目标是为数据科学家提供一个完整的工具集，以便他们能够快速搭建和管理数据分析环境。
而conda是Anaconda的默认包管理器。它是一个跨平台的包管理和环境管理系统，用于安装、升级、删除和管理不同版本的软件包。conda可以让你轻松地创建、复制和共享Python环境，使你能够在不同项目之间快速切换并管理不同的软件依赖关系。conda还可以从Anaconda仓库或其他第三方仓库中下载和安装软件包。
总结起来，Anaconda是一个集成了Python和许多数据科学和机器学习库的发行版，而conda是Anaconda的包管理器，用于安装和管理软件包及其依赖关系。
1. 安装 homebrew
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
2. 下载 Miniforge3 （安装conda）
Miniforge3 是一个 Conda 安装工具，专为 macOS 苹果芯片编写的 (M1, M1 Pro, M1 Max, M1 Ultra, M2).
chmod +x ~/Downloads/Miniforge3-MacOSX-arm64.sh
sh ~/Downloads/Miniforge3-MacOSX-arm64.sh
source ~/miniforge3/bin/activate
我发现他会给 .zshrc 自动加上 source 信息
# >>> conda initialize >>>
# !! Contents within this block are managed by 'conda init' !!
__conda_setup="$('/Users/kelu/miniforge3/bin/conda' 'shell.zsh' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
eval "$__conda_setup"
else
if [ -f "/Users/kelu/miniforge3/etc/profile.d/conda.sh" ]; then
. "/Users/kelu/miniforge3/etc/profile.d/conda.sh"
else
export PATH="/Users/kelu/miniforge3/bin:$PATH"
fi
fi
unset __conda_setup
# <<< conda initialize <<<
有时候 conda 会提示要求升级，按提示升级：
conda update -n base -c conda-forge conda
3. conda创建虚拟环境
conda create -n pytorch_env python=3.11
ps: 删除虚拟环境：
conda remove -n pytorch_env --all
conda 常用命令：
- conda list：查看安装了哪些包。
- conda install package_name(包名)：安装包
- conda env list 或 conda info -e：查看当前存在哪些虚拟环境
- conda update conda：检查更新当前conda
切换到虚拟环境
conda activate pytorch_env
查一下版本
查看 conda 的源地址：
conda config --show channels
4. conda安装pytorch
查找相关包
conda search pytorch
conda install pytorch torchvision torchaudio
确定安装成功：
>>> import torch
>>> torch.__version__
5. conda安装jupyter
conda install jupyter pandas numpy matplotlib scikit-learn tqdm
jupyter notebook
验证：
验证的脚本：
import torch
import numpy as np
import pandas as pd
import sklearn
import matplotlib.pyplot as plt
import math
print(f"PyTorch version: {torch.__version__}")
# Check PyTorch has access to MPS (Metal Performance Shader, Apple's GPU architecture)
print(f"Is MPS (Metal Performance Shader) built? {torch.backends.mps.is_built()}")
print(f"Is MPS available? {torch.backends.mps.is_available()}")
# Set the device
device = "mps" if torch.backends.mps.is_available() else "cpu"
print(f"Using device: {device}")
# Create data and send it to the device
x = torch.rand(size=(3, 4)).to(device)
x
dtype = torch.float
device = torch.device("mps")
# Create random input and output data
x = torch.linspace(-math.pi, math.pi, 2000, device=device, dtype=dtype)
y = torch.sin(x)
# Randomly initialize weights
a = torch.randn((), device=device, dtype=dtype)
b = torch.randn((), device=device, dtype=dtype)
c = torch.randn((), device=device, dtype=dtype)
d = torch.randn((), device=device, dtype=dtype)
learning_rate = 1e-6
for t in range(2000):
# Forward pass: compute predicted y
y_pred = a + b * x + c * x ** 2 + d * x ** 3
# Compute and print loss
loss = (y_pred - y).pow(2).sum().item()
if t % 100 == 99:
print(t, loss)
# Backprop to compute gradients of a, b, c, d with respect to loss
grad_y_pred = 2.0 * (y_pred - y)
grad_a = grad_y_pred.sum()
grad_b = (grad_y_pred * x).sum()
grad_c = (grad_y_pred * x ** 2).sum()
grad_d = (grad_y_pred * x ** 3).sum()
# Update weights using gradient descent
a -= learning_rate * grad_a
b -= learning_rate * grad_b
c -= learning_rate * grad_c
d -= learning_rate * grad_d
print(f'Result: y = {a.item()} + {b.item()} x + {c.item()} x^2 + {d.item()} x^3')
6. conda 环境管理
1. 再次启动环境
再次启动环境，只需要激活虚拟环境然后启动jupyter即可：
conda activate pytorch_env # 激活
conda deactivate # 退出
2. 环境列表
conda info --env
3. 删除环境
conda remove -n langchain --all
