Guía de instalación de PyTorch: GPU y solución de fallos

1. ¿Qué es PyTorch? Qué aprenderás en este artículo

¿Qué es PyTorch?

PyTorch es un framework de aprendizaje automático de código abierto desarrollado por Facebook (actualmente Meta).
Se basa en Python, y su código es simple e intuitivo, por lo que se usa ampliamente en ciencia de datos y deep learning.

PyTorch incluye cálculo de tensores y diferenciación automática, lo que facilita el diseño y entrenamiento de redes neuronales. Además, permite procesamiento rápido aprovechando la GPU, ofreciendo rendimiento adecuado para conjuntos de datos a gran escala y modelos complejos.

Qué aprenderás en este artículo

En este artículo, explicaremos en detalle los siguientes contenidos.

1. Método para verificar los entornos y herramientas necesarios antes de instalar PyTorch.
2. Criterios para decidir si usar pip o Anaconda.
3. Pasos reales de instalación y configuración.
4. Enfoques de solución de problemas y resolución de errores.
5. Próximos pasos y recursos recomendados después de la instalación.

Al leer este artículo, incluso los principiantes podrán instalar PyTorch sin problemas y dar el primer paso en el aprendizaje automático.

Público objetivo

• Principiantes interesados en deep learning pero que están perdidos con los pasos de implementación de PyTorch.
• Intermedios que comprenden los conceptos básicos de Python pero no están seguros de la gestión de bibliotecas y la configuración del entorno.
• Ingenieros y científicos de datos que desean construir un entorno de cálculo rápido usando GPU.

En la siguiente sección, explicaremos en detalle los entornos y herramientas necesarios antes de la instalación de PyTorch. Antes de comenzar la instalación, asegúrese de estar adecuadamente preparado.

2. Preparación antes de la instalación: Entorno y herramientas necesarios

Verificación del entorno de ejecución

Antes de instalar PyTorch, primero verifique que los requisitos del sistema y el software necesario estén presentes. De este modo, podrá prevenir problemas que puedan surgir después de la instalación.

1. Compatibilidad del sistema operativo

PyTorch funciona en los siguientes sistemas operativos:

• Windows 10 o posterior
• macOS 10.15 (Catalina) o posterior
• Linux (Ubuntu, CentOS y otras distribuciones principales)

2. Versión de Python

PyTorch es compatible con Python 3.8 o superior. Use el siguiente comando para verificar la versión actual de Python.

python --version

O, según el entorno, puede usar lo siguiente.

python3 --version

3. Verificación de la versión de pip

pip es la herramienta de gestión de paquetes de Python. Si no está en la última versión, pueden ocurrir errores al instalar PyTorch. Verifíquelo con el siguiente comando.

pip --version

La actualización a la última versión se realiza con el siguiente comando.

python -m pip install --upgrade pip

Verificación del entorno GPU (opcional)

Al usar GPU, PyTorch permite cálculos de alta velocidad. Si utiliza GPU, es necesario que CUDA y cuDNN estén configurados correctamente.

1. Verificación de GPU compatible con CUDA

Compruebe si la GPU está disponible con el siguiente comando.

nvidia-smi

Si la salida muestra información de la GPU, se ha reconocido una GPU compatible con CUDA.

2. Verificación de versiones de CUDA y cuDNN

PyTorch está estrechamente ligado a la versión de CUDA. Consulte la versión que debe usar en la página oficial de descargas de PyTorch. La versión de CUDA se puede verificar con el siguiente comando.

nvcc --version

3. Instalación de CUDA

Si CUDA no está instalado, descárguelo e instálelo desde el sitio oficial de NVIDIA.

Nota: Si no se dispone de GPU

Incluso sin un entorno GPU, puede usar PyTorch solo con CPU. Para proyectos pequeños o pruebas, la versión CPU es suficiente.

Preparación del entorno virtual (recomendado)

Se recomienda usar entornos virtuales para aislar las dependencias por proyecto.

1. Cuando se usa venv

python -m venv pytorch-env
source pytorch-env/bin/activate  # Linux/MacOS
pytorch-envScriptsactivate     # Windows

2. Cuando se usa Anaconda

conda create -n pytorch-env python=3.10
conda activate pytorch-env

Próximos pasos

Con esto, la preparación antes de la instalación está completa. En la siguiente sección, se explicará en detalle cómo instalar PyTorch. Veremos las diferencias entre pip y Anaconda y los pasos específicos de instalación para cada uno.

3. Comparación de métodos de instalación y criterios de selección

pip vs Anaconda: ¿Cuál elegir?

La instalación de PyTorch se realiza principalmente mediante pip y Anaconda. Veamos sus características y criterios de selección.

1. Instalación con pip

pip es la herramienta estándar de gestión de paquetes de Python, ligera y permite una instalación rápida. Ventajas:

• Instalación simple y rápida.
• Instala solo las bibliotecas necesarias, de forma mínima.
• Fácil combinación con entornos virtuales (venv).

Desventajas:

• La gestión de dependencias del entorno puede volverse compleja.
• La gestión de compatibilidad de controladores GPU y CUDA debe hacerse manualmente.

Escenarios recomendados de uso:

• Para scripts o proyectos ligeros.
• Cuando se desea añadir PyTorch a un entorno Python existente.

2. Instalación con Anaconda

Anaconda es una distribución de Python enfocada en ciencia de datos, que facilita la gestión de entornos. Ventajas:

• Gestión de entornos virtuales intuitiva y sencilla.
• Las dependencias se resuelven automáticamente, reduciendo problemas de instalación.
• Buena compatibilidad con Jupyter Notebook y herramientas de análisis de datos.

Desventajas:

• El tamaño de instalación es grande y la configuración lleva tiempo.
• Los comandos pueden resultar complejos para principiantes.

Escenarios recomendados de uso:

• Ideal para proyectos de aprendizaje automático y análisis de datos.
• Cuando hay incertidumbre en la gestión de dependencias o paquetes.

3. Resumen de criterios de selección

La siguiente tabla compara de forma sencilla los criterios de selección entre pip y Anaconda.

4. ¿Cuál debería elegir?

• Si desea probar rápidamente:Se recomienda pip. Permite añadir rápidamente a un entorno Python existente, ideal para quienes quieren comenzar con una configuración mínima.
• Si desea construir un proyecto serio:Se recomienda Anaconda. Es la mejor opción cuando se necesita gestionar dependencias y crear entornos a gran escala.

Próximos pasos

Hasta aquí, ha comprendido las diferencias y criterios de selección entre pip y Anaconda. En la siguiente sección, explicaremos en detalle los pasos de instalación de cada uno. Vamos a configurar el entorno PyTorch usando los comandos de instalación.

4. Guía de instalación de PyTorch (práctica)

1. Instalación con pip (método más rápido)

pip es simple y rápido para instalar, por lo que es ideal cuando se desea comenzar con una configuración mínima.

1-1. Instalación de la versión CPU

Ejecute el siguiente comando para instalar PyTorch.

pip install torch torchvision torchaudio

1-2. Instalación de la versión GPU (compatible con CUDA)

Si usa GPU, necesita una instalación según la versión de CUDA. Para compatibilidad con CUDA 11.8, ejecute el siguiente comando.

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

1-3. Verificación de la instalación

Después de la instalación, puede verificar la versión y el estado de reconocimiento de CUDA con el siguiente código.

import torch
print(torch.__version__)  # Mostrar versión
print(torch.cuda.is_available())  # Confirmar compatibilidad con GPU

Ejemplo de salida:

2.0.1+cu118
True

2. Instalación con Anaconda (método recomendado)

Anaconda facilita la gestión de entornos virtuales y es útil cuando se desea separar entornos por proyecto.

2-1. Creación y activación del entorno virtual

Cree un nuevo entorno y use Python 3.10.

conda create -n pytorch-env python=3.10
conda activate pytorch-env

2-2. Instalación de la versión CPU

Instale con el siguiente comando.

conda install pytorch torchvision torchaudio cpuonly -c pytorch

2-3. Instalación de la versión GPU (compatible con CUDA)

Si usa GPU, utilice el comando de instalación compatible con CUDA 11.8.

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

2-4. Verificación de la instalación

Ejecute el siguiente código para comprobar la versión de PyTorch y el estado de reconocimiento de la GPU.

import torch
print(torch.__version__)  # Mostrar versión
print(torch.cuda.is_available())  # Confirmar compatibilidad con GPU

Ejemplo de salida:

2.0.1+cu118
True

3. Métodos de solución cuando ocurren problemas

3-1. Error de dependencias con pip

Mensaje de error:

ERROR: Could not find a version that satisfies the requirement torch

Solución:

pip install --upgrade pip

Actualice a la última versión y vuelva a ejecutar.

3-2. Error de resolución de paquetes con Anaconda

Mensaje de error:

PackagesNotFoundError: The following packages are not available

Solución:Verifique la especificación de canales e incluya aseguradamente los oficiales -c pytorch y -c nvidia.

4. Mejores prácticas de configuración del entorno

• Uso de entornos virtuales:Separe los entornos por proyecto para evitar conflictos de dependencias.
• Puntos a considerar en la gestión de paquetes:No mezcle pip y conda; mantenga la consistencia en cada entorno.
• Registro de dependencias:Exporte y respalde las dependencias después de la instalación.

En caso de pip:

pip freeze > requirements.txt

En caso de Anaconda:

conda list --export > environment.yml

Próximos pasos

Con esto, la instalación de PyTorch está completa. En la siguiente sección, se explicará en detalle la configuración de CUDA y cuDNN para que funcione en entornos GPU. Optimice la configuración posterior a la instalación para lograr un entorno de cálculo más rápido.

5. Configuración de CUDA y cuDNN (uso de GPU)

En esta sección se explica detalladamente los pasos de configuración de CUDA y cuDNN necesarios para aprovechar la GPU con PyTorch. Al usar la GPU, la velocidad de cálculo aumenta considerablemente, lo que es útil para el entrenamiento y la inferencia de modelos de aprendizaje automático.

1. ¿Qué es CUDA?

CUDA (Compute Unified Device Architecture) es una plataforma de computación paralela proporcionada por NVIDIA. Permite aprovechar al máximo la capacidad de cálculo de la GPU y eficientar cálculos a gran escala.

2. ¿Qué es cuDNN?

cuDNN (CUDA Deep Neural Network library) es una biblioteca de NVIDIA optimizada para deep learning. Está diseñada para que frameworks como PyTorch puedan ejecutar operaciones de redes neuronales rápidamente.

1. Pasos de instalación de CUDA

1-1. Verificación de la GPU

Primero, verifique si su PC tiene una GPU compatible con CUDA.

nvidia-smi

Si este comando muestra el modelo de la GPU y la versión del controlador CUDA, CUDA está disponible.

1-2. Verificación de compatibilidad de CUDA

Confirme la versión de CUDA compatible con PyTorch en la página oficial a continuación.Página oficial de descarga de PyTorch

1-3. Descarga e instalación de CUDA

1. Desde la página de descarga de CUDA de NVIDIA, seleccione el sistema operativo y la versión que va a usar.
2. Siga las instrucciones para descargar el archivo de instalación y ejecutar la instalación.

1-4. Verificación de la instalación

Verifique que CUDA se haya instalado correctamente con el siguiente comando.

nvcc --version

Ejemplo de salida:

Cuda compilation tools, release 11.8, V11.8.89

2. Pasos de instalación de cuDNN

2-1. Descarga de cuDNN

1. Descargue desde la página de cuDNN del sitio NVIDIA Developer.
2. Se requiere una cuenta NVIDIA, por lo que inicie sesión o regístrese.

2-2. Pasos de instalación

1. Descomprima el archivo ZIP descargado.
2. Copie los archivos descomprimidos al directorio de instalación de CUDA.

Ejemplo:

sudo cp cuda/include/* /usr/local/cuda/include/
sudo cp cuda/lib64/* /usr/local/cuda/lib64/

2-3. Configuración de variables de entorno

Configure las variables de entorno con el siguiente comando.

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

2-4. Verificación de la configuración

Ejecute el siguiente comando para confirmar que cuDNN se haya instalado correctamente.

cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

Ejemplo de salida:

#define CUDNN_MAJOR 8
#define CUDNN_MINOR 0
#define CUDNN_PATCHLEVEL 5

3. Prueba de compatibilidad entre PyTorch y CUDA

3-1. Verificación mediante código Python

Compruebe con el siguiente código si PyTorch está conectado a CUDA.

import torch
print(torch.cuda.is_available())  # Si es True, CUDA está reconocido
print(torch.cuda.get_device_name(0))  # Mostrar el nombre del modelo GPU

Ejemplo de salida:

True
NVIDIA GeForce RTX 3060

3-2. Solución de problemas en caso de error

Ejemplo de error 1:

torch.cuda.is_available() -> False

Solución:

• Verifique la compatibilidad de versiones entre CUDA y PyTorch e instale la versión adecuada.
• Actualice el controlador NVIDIA a la última versión.

Ejemplo de error 2:

RuntimeError: CUDA error: invalid device function

Solución:

• Si la versión de CUDA es antigua, actualícela a la última versión.
• Verifique también la versión de cuDNN y mantenga la compatibilidad.

Próximos pasos

Con esto la configuración de CUDA y cuDNN está completa. En la siguiente sección se explicarán los pasos de prueba para confirmar que la instalación de PyTorch se realizó correctamente y se detallarán las soluciones a errores comunes. Continúe revisando los puntos de solución de problemas.

6. Verificación de la instalación

En esta sección se explica cómo verificar si PyTorch se ha instalado correctamente. También se presentan los problemas y errores comunes y sus soluciones.

1. Verificación de la instalación mediante código Python

1-1. Verificación del funcionamiento básico

import torch
print("PyTorch Version:", torch.__version__)  # Verificar versión

Al ejecutar este código, se mostrará la versión de PyTorch instalada.Ejemplo de salida:

PyTorch Version: 2.0.1

1-2. Verificación del soporte GPU

print("CUDA Available:", torch.cuda.is_available())  # Disponibilidad de soporte GPU

Ejemplo de salida:

CUDA Available: True

Si se muestra «True», la GPU está reconocida correctamente.

1-3. Verificación de la información detallada de la GPU

if torch.cuda.is_available():
    print("Device Name:", torch.cuda.get_device_name(0))  # Mostrar nombre del modelo GPU
    print("CUDA Version:", torch.version.cuda)  # Mostrar versión de CUDA

Ejemplo de salida:

Device Name: NVIDIA GeForce RTX 3060
CUDA Version: 11.8

2. Ejecución de un código sencillo para la verificación

Generación y cálculo de tensores

import torch

# Generar una matriz aleatoria 3x3
x = torch.rand(3, 3)
print("Tensor aleatorio:")
print(x)

# Suma de matrices
y = torch.rand(3, 3)
z = x + y
print("Resultado de la suma:")
print(z)

Ejemplo de salida:

Random Tensor:
tensor([[0.2567, 0.8954, 0.6543],
        [0.1234, 0.4567, 0.7890],
        [0.9876, 0.5432, 0.1123]])

Addition Result:
tensor([[0.6789, 1.3456, 1.1234],
        [0.3456, 0.7890, 1.5678],
        [1.4321, 0.9876, 0.5432]])

Si este código se ejecuta sin errores, PyTorch está instalado correctamente.

3. Errores comunes y soluciones

3-1. Cuando no se puede importar PyTorch

Mensaje de error:

ModuleNotFoundError: No module named 'torch'

Causa:Puede que PyTorch no esté instalado correctamente o que el entorno virtual no esté activo.Solución:

1. Reactiva el entorno virtual.

conda activate pytorch-env

1. Ejecuta una reinstalación.

pip install torch torchvision torchaudio

3-2. Cuando la GPU no es reconocida

Mensaje de error:

CUDA Available: False

Causa:

• CUDA no está instalado.
• La versión de CUDA no es compatible con PyTorch.
• El controlador de la GPU está desactualizado.

Solución:

1. Verifica la versión del controlador NVIDIA y actualízalo a la última versión.

nvidia-smi

1. Verifica la versión de CUDA.

nvcc --version

1. Reinstala los controladores y CUDA si es necesario.

4. Consejos de solución de problemas

1. Referencia a la documentación oficial: Si surge un problema, consulte la página de soporte oficial de PyTorch.
2. Búsqueda del mensaje de error: Buscar el mensaje de error tal cual en Google suele llevar a foros y GitHub Issues donde se encuentran soluciones.
3. Alinear versiones: Las versiones de CUDA, cuDNN y PyTorch deben ser compatibles. Consulte la tabla de compatibilidad en la página oficial para confirmar la última versión.

Próximos pasos

Con esto, PyTorch está instalado correctamente y la verificación básica está completa. En la siguiente sección se explicarán con más detalle las soluciones a los problemas comunes. Aprenderá enfoques concretos cuando ocurran errores y cómo aprovechar la información de soporte.

7. Problemas comunes y soluciones

En esta sección se explican en detalle los errores que suelen ocurrir al instalar o usar PyTorch y sus soluciones.

1. Errores durante la instalación y sus soluciones

1-1. Error de incompatibilidad de dependencias

Mensaje de error:

ERROR: Could not find a version that satisfies the requirement torch

Causa:

• La versión de pip o de Python es antigua, por lo que no es compatible con los paquetes de los que depende PyTorch.
• La combinación de la versión de CUDA especificada y PyTorch no es compatible.

Solución:

1. Actualice pip y Python a la última versión.

python -m pip install --upgrade pip

1. Revise nuevamente las dependencias del entorno.

pip check

1. Obtenga el comando de instalación de la versión correspondiente desde el sitio oficial y vuelva a intentarlo.

1-2. Errores relacionados con entornos virtuales

Mensaje de error:

ModuleNotFoundError: No module named 'torch'

Causa:El entorno virtual no está activado o puede estar dañado。Solución:

1. Reactive el entorno virtual.

conda activate pytorch-env

1. Cree nuevamente el entorno virtual.

conda create -n pytorch-env python=3.10
conda activate pytorch-env
conda install pytorch torchvision torchaudio -c pytorch

2. Errores de configuración de GPU y sus soluciones

2-1. GPU no es detectada

Mensaje de error:

torch.cuda.is_available() -> False

Causa:

• CUDA no está instalado correctamente.
• La versión del controlador de GPU es antigua.
• Las versiones de PyTorch y CUDA no son compatibles.

Solución:

1. Verifique la versión del controlador NVIDIA y actualícela a la última versión.

nvidia-smi

1. Verifique la versión de CUDA.

nvcc --version

1. Reinstale los controladores y CUDA si es necesario.

2-2. Error de CUDA

Mensaje de error:

RuntimeError: CUDA error: invalid device function

Causa:La versión de CUDA y la de PyTorch no coinciden o no son compatibles。Solución:

1. Consulte la tabla de compatibilidad entre versiones de CUDA y PyTorch en el sitio oficial.
2. Instale especificando una versión compatible.

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

3. Errores en tiempo de ejecución y sus soluciones

3-1. Error por falta de memoria

Mensaje de error:

RuntimeError: CUDA out of memory.

Causa:Al usar modelos grandes o tamaños de lote elevados, puede agotarse la memoria de la GPU。Solución:

1. Reduzca el tamaño del lote.
2. Elimine variables innecesarias para liberar memoria.

del variable_name
torch.cuda.empty_cache()

1. Optimice el código mientras monitorea el consumo de memoria.

3-2. Rendimiento lento

Causa:Es posible que el procesamiento se esté realizando en la CPU en lugar de la GPU。Solución:

1. Verifique que la GPU sea reconocida.

print(torch.cuda.is_available())

1. Asegúrese de especificar explícitamente el dispositivo en el código.

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)

4. Otros problemas y sus soluciones

4-1. Cuando sea necesario actualizar PyTorch

Solución:Actualice a la última versión。

pip install --upgrade torch torchvision torchaudio

4-2. Uso de foros de soporte

• Documentación oficial:Consulte la página de soporte del sitio oficial de PyTorch。
• Foros de la comunidad:Pregunte en Stack Overflow o en PyTorch Discuss。

Próximos pasos

Hasta aquí, ha aprendido los errores que suelen ocurrir al instalar o ejecutar y sus soluciones. Con esto, podrá abordar de forma flexible los problemas durante la configuración del entorno o la ejecución del programa。

En la siguiente sección, se revisarán los puntos clave como resumen del artículo y se presentarán los próximos pasos de aprendizaje con PyTorch. Además, se añadirán consejos para motivar la acción del lector。

8. Resumen y próximos pasos

En los artículos hasta ahora, hemos explicado en detalle desde la instalación de PyTorch hasta la configuración del entorno y la solución de problemas. En esta sección, revisaremos los puntos clave y presentaremos los próximos pasos utilizando PyTorch.

1. Repaso de los puntos clave del artículo

1. ¿Qué es PyTorch?

• Es un framework óptimo para aprendizaje automático y deep learning, compatible con cálculos de alta velocidad en GPU.

2. Preparación antes de la instalación

• Es necesario verificar la versión del OS y de Python, y preparar la instalación de CUDA y cuDNN.
• Se recomienda usar entornos virtuales para simplificar la gestión de dependencias.

3. Procedimiento de instalación

• pip: ligero y permite una instalación rápida.
• Anaconda: la gestión de entornos es sencilla y es adecuado para proyectos a gran escala.

4. Configuración de CUDA y cuDNN

• Si se usa GPU, es necesario verificar la compatibilidad e instalar CUDA y cuDNN.

5. Verificación de la instalación y solución de problemas

• Después de la instalación, se verifica la versión y el soporte de GPU, y se proporcionan soluciones en caso de errores.

2. Próximos pasos para aprovechar PyTorch

Si PyTorch se ha instalado correctamente, a continuación construyamos modelos reales y abordemos proyectos de aprendizaje automático y aprendizaje profundo. A continuación, se presentan temas recomendados como próximos pasos.

2-1. Construcción de una red neuronal por primera vez

Creemos un modelo de clasificación simple para familiarizarnos con el uso de PyTorch. Por favor, practique el siguiente contenido.
Ejemplo de código: modelo de regresión lineal

import torch
import torch.nn as nn
import torch.optim as optim

# Preparación de datos
x = torch.rand(100, 1)
y = 2 * x + 1 + 0.1 * torch.randn(100, 1)

# Definición del modelo
model = nn.Linear(1, 1)
loss_fn = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# Bucle de entrenamiento
for epoch in range(1000):
    y_pred = model(x)
    loss = loss_fn(y_pred, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# Verificación de resultados
print(model.weight.item(), model.bias.item())

Este código es un ejemplo de entrenamiento de un modelo de regresión lineal sencillo, que permite verificar las funciones básicas de PyTorch.

2-2. Proyectos aplicados con PyTorch

1. Creación de modelo de clasificación de imágenes

• Realice una tarea de clasificación de imágenes usando CNN (red neuronal convolucional).

1. Construcción de modelo de procesamiento de lenguaje natural

• Pruebe modelos de clasificación de texto y traducción utilizando RNN y Transformer.

1. Uso de modelos preentrenados

• Construya aplicaciones avanzadas usando modelos preentrenados como ResNet y BERT.

3. Presentación de recursos de aprendizaje

3-1. Documentación oficial y tutoriales

• Sitio oficial de PyTorch
• Tutoriales de PyTorch

3-2. Cursos en línea y aprendizaje mediante videos

• Puede tomar cursos de PyTorch en plataformas de aprendizaje en línea como Coursera y Udemy.
• También se recomienda ver videos prácticos gratuitos en YouTube.

3-3. Proyectos prácticos y código de ejemplo

• Consultar proyectos y código de ejemplo publicados en GitHub permite aprender usos prácticos.

4. Resumen

En este artículo, hemos explicado exhaustivamente los métodos de instalación y configuración de PyTorch, y también hemos proporcionado soluciones de problemas y los próximos pasos de aprendizaje. Con esto, podrá iniciar proyectos de aprendizaje automático con PyTorch de manera fluida.

Como próximos pasos, abórdelos construyendo modelos reales y aplicando modelos preentrenados para mejorar aún más sus habilidades en aprendizaje automático.

Si tiene preguntas o comentarios, por favor contáctenos a través de la sección de comentarios.