Windows10でPyTorchをインストールしてVSCodeで使う

以前はWindows 10でディープラーニングするのに、AnacondaでPython環境を作ってTensorFlowを使ってVisual Studioでコーディングしてたけど、



最近はだいぶ状況が変わってきた。

Anacondaでnumpyが動かなくなったり、使いたいパッケージ(のバージョン)がcondaで入らなかったりで、そもそもAnacondaのメリットよりもデメリットで時間を取られることが増えた。(それはMinicondaでも同じ)
なので、Pythonは普通に公式のインストーラーでWindowsにインストールすることにした。

コーディング環境についても、VSCode(Visual Studio Code)が優秀だと気づいた。
VSCodeはIDEじゃなくてエディタなんだけど、Extensionをインストールして機能拡張はできる。オイラがIDEの方のVisual Studioを使っていた理由の8割ぐらいはIntelliSense(コード補完機能)だったので、同じくIntelliSenseが載っているなら動作も軽いVSCodeの方が快適なのでした。

そして、ディープラーニングのライブラリはTensorFlowからPyTorchへ乗り換えつつある。
理由はそんなにハッキリとしたものじゃないんだけど、最近は発表される論文と一緒に公開されるソースコードにPyTorch実装のものが増えている点と、対応する依存関係(CUDAのバージョンとか)のアップデートの早さとか。最近やっとバージョン1に達して、身近な人達がどんどんPyTorchへ移行しているというのもある。



ということで、今現在のオイラの環境は以下↓

一応、インストール手順もメモしておく。

PyTorch 1.0.1は現時点で最新のCUDA Toolkit 10.1とcuDNN v7.5に対応しているのであんまり気にしなくて良いけど、この手のライブラリのバージョンの依存関係は間違えるとエラー地獄にはまるのでインストール前にしっかり確認した方が良いです。(何度かハマった)

追記:PyTorchとtensorboardXを一緒に使いたい場合は、TensorBoard(というかTensorFlow)の動作環境にも合わせてやる必要があります。
https://www.tensorflow.org/install/gpu

CUDAとcuDNNのインストール

CUDAの公式ページからCUDA Toolkit 10.1のインストーラーをダウンロードしてインストール。
cuDNN v7.5.0 (Feb 25, 2019), for CUDA 10.1は、まずMembership登録してログインし、cuDNN一式のzipをダウンロードする。
そしてzipを展開して出てきたbin, include, libディレクトリを丸ごとCUDAのパスが通ったディレクトリに配置する。オイラはいつもCUDAデフォルトのインストールパスに一緒に突っ込んでいる↓

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1

ところで、cuDNNってCUDA Deep Neural Network libraryの略なんですね。

Pythonのインストール

Pythonはバージョン3.6を使う。公式ページからPython3.6.8のWindows x86-64 executable installerをダウンロードしてきて実行するだけ。
インストールパスだけデフォルトから以下に変えておいた。

C:\dev\Python36

PyTorchのインストール

PyTorchは、公式ページのSTART LOCALLYで自分の環境を選ぶと適切なpipのコマンド表示されるので、それを叩けばインストールできる↓



ということで、以下のコマンドをコマンドプロンプトで実行するだけでPyTorchのインストール完了↓

pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.1-cp36-cp36m-win_amd64.whl
pip3 install torchvision

VSCodeのインストール

VSCodeは公式ページからWindows用のインストーラーをダウンロードしてインストール。
そして日本語の言語パックPython用のExtensionもインストールする。

これでPyTorch環境は整ったので、あとは適当なサンプルコードがちゃんと実行できることを確認してみよう。
GitHubにPyTorch公式のサンプルコードがある↓
https://github.com/pytorch/examples

Basic MNIST Exampleとかが手軽で良いんじゃないでしょうか。
サンプルが実行できたらとりあえずOKだ。

追記:最近は、PyTorchに特化したIDEもある↓


PyTorchの習得

PyTorch公式サイトのサンプルで学ぶPyTorchや、
https://pytorch.org/tutorials/beginner/pytorch_with_examples.html
https://pytorch.org/tutorials/beginner/former_torchies/nnft_tutorial.html

PyTorch公式でチートシートを用意してくれているので、そこを見ると習得が速いかも。
チートシートの内容を画像化して公開している人もいる↓

PyTorch Cheat Sheet

小技集をJupyter Notebookにまとめている方もいる↓
https://github.com/bfortuner/pytorch-cheatsheet/blob/master/pytorch-cheatsheet.ipynb

あとは、torchvisionに有名な畳み込みニューラルネットワークが実装されているので、それを読むと真似しやすいかも↓
https://pytorch.org/docs/stable/torchvision/models.html

追記:PyTorch専用IDEも登場してる↓


関連記事

Kaolin:3Dディープラーニング用のPyTorchライブラリ

オープンソースの人体モデリングツール『MakeHuman』のAPI開発プロジェクトがスタート

機械学習に役立つPythonライブラリ一覧

DensePose:画像中の人物表面のUV座標を推定する

Webサイトのワイヤーフレームが作成できるオンラインツール

NeRF (Neural Radiance Fields):深層学習による新規視点合成

COLMAP:オープンソースのSfM・MVSツール

UnityプロジェクトをGitHubで管理する

Unreal Engineの薄い本

Regard3D:オープンソースのStructure from Motionツール

SSD (Single Shot Multibox Detector):ディープラーニングによる一般...

Open Shading Language (OSL)

3Dグラフィックスの入門書

WordPress on Windows Azure

OpenCV 3.1のsfmモジュールのビルド再び

MLDemos:機械学習について理解するための可視化ツール

CGのためのディープラーニング

スクラッチで既存のキャラクターを立体化したい

HerokuでMEAN stack

Structure from Motion (多視点画像からの3次元形状復元)

ニューラルネットワークで画像分類

Dlib:C++の機械学習ライブラリ

GoB:ZBrushとBlenderを連携させるアドオン

まだ続くブログの不調

CycleGAN:ドメイン関係を学習した画像変換

OpenGVのライブラリ構成

Web経由でRaspberry PiのGPIOを操作したい

AMIMOTO(PVM版)で作成したインスタンスをAMIMOTO (HVM版)へ移行する

OpenMesh:オープンソースの3Dメッシュデータライブラリ

3D復元技術の情報リンク集

ArUco:OpenCVベースのコンパクトなARライブラリ

仮想関数

Model View Controller

Raspberry Pi 2のGPIOピン配置

Physics Forests:機械学習で流体シミュレーションを近似する

OpenCV 3.3.0-RCでsfmモジュールをビルド

Konashiを買った

OpenCV 3.1から追加されたSfMモジュール

OpenCVでカメラ画像から自己位置認識 (Visual Odometry)

動的なメモリの扱い

MPFB2:Blenderの人体モデリングアドオン

iOSで使えるJetpac社の物体認識SDK『DeepBelief』

コメント