1. 官網(wǎng)安裝Python 3.9

Python Release Python 3.9.0 | Python.org

2. 安裝pycharm

https://download.jetbrains.com/python/pycharm-professional-2023.3.2.exe

3. 安裝miniconda

Miniconda — miniconda documentation

4. 安裝完miniconda 創(chuàng)建虛擬環(huán)境

conda create -n wave2 python=3.9

conda activate wave2

6. 安裝依賴包

pip install numpy

pip show numpy

顯示c:\users\xx\.conda\envs\wave2\lib\site-packages

7. Python安裝cuda 參考資料

Python+PyCharm+PyTorch+Cuda/GPU 安裝步驟_python 中使用pycharam 使安裝cuda-CSDN博客

nvidia-smi

有Nvidia顯卡，想用GPU跑程序時

先查版本！
（1） 確定顯卡支持的cuda版本
在cmd命令行中輸入命令：“nvidia-smi”回車（如提示命令不可用，可先執(zhí)行命令：cd C:\Program Files\NVIDIA Corporation\NVSMI）

NVIDIA-SMI 546.01 ? ? ? ? ? ? ? ?

Driver Version: 546.01 ? ? ?

CUDA Version: 12.3

文章來源地址http://www.zghlxwxcb.cn/news/detail-783493.html

import torch
import time

def simulate_gpu_load_torch(usage_percentage, duration):
    # 檢查是否有可用的GPU，如果沒有，將使用CPU
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

    # 模擬 GPU 計算任務(wù)
    data = torch.rand((1000, 1000), device=device)
    result = torch.matmul(data, data)

    # 控制 GPU 使用率
    busy_time = duration * (usage_percentage / 100)
    idle_time = duration - busy_time
    start_time = time.time()

    while (time.time() - start_time) < duration:
        result = torch.matmul(data, data)
        time.sleep(busy_time)

        # 空閑時間不進行計算
        time.sleep(idle_time)

# 控制 GPU 使用率為50%，持續(xù)10秒
simulate_gpu_load_torch(50, 10)

from ast import Break
import torch
import torch.nn as nn
import os
torch.backends.cudnn.benchmark = False  # 關(guān)閉 CuDNN 的 benchmark 模式
torch.backends.cudnn.deterministic = True  # 開啟 deterministic 模式
torch.cuda.empty_cache()  # 清理未使用的 GPU 內(nèi)存

# 設(shè)置設(shè)備
device = torch.device('cuda') 
global memory_used
# 模型
# model = nn.Sequential(
#   nn.Linear(1024, 2048),
#   nn.ReLU(),
#   nn.Linear(2048, 4096),  # 更多神經(jīng)元
#   nn.ReLU(),
#   nn.Linear(4096, 8192),  # 更多神經(jīng)元
#   nn.ReLU(),
#   nn.Linear(8192, 4096),  # 更多神經(jīng)元
#   nn.ReLU(),
#   nn.Linear(4096, 2048),  # 更多神經(jīng)元
#   nn.ReLU(),
#   nn.Linear(2048, 1024)
# ).to(device)
model = nn.Sequential(
  nn.Linear(1024, 512),
  nn.ReLU(),
  nn.Linear(512, 1024),
  nn.ReLU(),
  nn.Linear(1024, 2048),  # 更多神經(jīng)元
  nn.ReLU(),
  nn.Linear(2048, 4096),  # 更多神經(jīng)元
  nn.ReLU(),
  nn.Linear(4096, 2048),  # 更多神經(jīng)元
  nn.ReLU(),
  nn.Linear(2048, 4096),  # 更多神經(jīng)元
  nn.ReLU(),
  nn.Linear(4096, 2048),  # 更多神經(jīng)元
  nn.ReLU(),
  nn.Linear(2048, 4096),  # 更多神經(jīng)元
  nn.ReLU(),
  nn.Linear(4096, 2048),  # 更多神經(jīng)元
  nn.ReLU(),
  nn.Linear(2048, 1024),  # 更多神經(jīng)元
  nn.ReLU(),
  nn.Linear(1024, 512),
  nn.ReLU(),
  nn.Linear(512, 1024)
).to(device)
# 優(yōu)化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

# 設(shè)置最大內(nèi)存
max_memory = 4 * 1024 * 1024 * 1024
#max_memory = 4096
# 初始參數(shù)
batch_size = 1024
# batch_size =512
memory_used = 0
#torch.cuda.empty_cache()  # 關(guān)閉內(nèi)存回收
#while memory_used < max_memory:
totalmemory_used =0 
while True:
  # 生成數(shù)據(jù)
  #count +=1
  #inputs = torch.rand(batch_size, 1024).to(device)
  inputs = torch.rand(batch_size, 1024).to(device)
  # 前向傳播  
  outputs = model(inputs)

  # 反向傳播和優(yōu)化
  loss = outputs.mean()
  loss.backward()
  optimizer.step()
  device = torch.device('cuda')  # 或者 'cuda:0'，如果有多個GPU

  # 獲取當(dāng)前GPU的顯存占用量
  memory_used = torch.cuda.memory_allocated(device)

  # 將字節(jié)轉(zhuǎn)換為兆字節(jié)（MB）
  memory_used_mb = memory_used / (1024 * 1024)
  totalmemory_used += memory_used_mb
  print(totalmemory_used)

  torch.cuda.empty_cache()

  # if count == 10:
  #   break
  # 更新內(nèi)存和batchsize
  #memory_used += 1024 * 1024 * 1024
  # if int(torch.cuda.memory_allocated(device)) >= max_memory:
  #   break
  os.system('nvidia-smi')
  #if totalmemory_used > 4096:
  #  break
  #batch_size += 1024
  

到了這里，關(guān)于Windows下Python+PyCharm+miniconda+Cuda/GPU 安裝步驟的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！