Анализ данных и работа с ИИ в Python с помощью библиотеки PyTorch

Работа с искусственным интеллектом и машинным обучением начинается с выбора подходящего инструмента для построения и обучения моделей. Одним из самых популярных решений является PyTorch — фреймворк для Python.

PyTorch позволяет:

• создавать и обучать нейросети;
• работать с многомерными массивами данных — тензорами;
• выполнять математические вычисления на CPU и GPU;
• автоматически вычислять градиенты для обучения моделей;
• создавать модели для классификации, регрессии и других задач машинного обучения;
• работать с изображениями, текстом, аудио и другими типами данных.

В этой статье рассмотрим способы установки PyTorch через менеджеры пакетов pip и conda, настроим работу с NVIDIA CUDA и AMD ROCm.

Системные требования и зависимости

Перед установкой разберем системные требования и зависимости для библиотеки PyTorch. Библиотека может работать как на CPU, так и на GPU. Для корректной работы PyTorch необходимо установить Python версии 3.10 и выше и иметь минимум 10 ГБ свободного места на диске.

PyTorch поддерживает работу как с CPU, основным универсальным процессором компьютера, так и с GPU, графическим процессором, который умеет выполнять большое количество вычислений параллельно. GPU требуют специальных программных компонентов, например CUDA для NVIDIA и ROCm для AMD, поэтому PyTorch устанавливается по-разному в зависимости от используемого оборудования. Мы рассмотрим все варианты установки.

Установка через pip

Менеджер пакетов pip — это самый простой инструмент для установки библиотек, потому что он устанавливается вместе с Python и не требует дополнительной конфигурации.  Рекомендуется устанавливать PyTorch в виртуальном окружении. Это изолирует зависимости проекта и предотвращает конфликты между разными проектами.

Как создать виртуальное окружение с помощью стандартной Python-библиотеки venv:

python3 -m venv .venv 
source .venv/bin/activate

После этого можно переходить к установке PyTorch. Иногда менеджер пакетов pip автоматически устанавливает версию PyTorch с поддержкой GPU, даже если на компьютере нет подходящей видеокарты. Чтобы установить версию в соответствии с оборудованием, явно пропишем источник установки — официальный репозиторий PyTorch с нужной сборкой. Подробнее про источники можно почитать в официальной документации PyTorch.

Установка PyTorch с поддержкой CPU

Введите команду в терминале:

pip install torch==2.14.0 --index-url https://download.pytorch.org/whl/cpu

При желании замените 2.14.0 на нужную версию PyTorch.

Проверка установки

Чтобы проверить успешную установку PyTorch, введите в терминале команду, которая запускает интерактивную оболочку Python.

python

В результате в терминале появится поле для ввода кода.

Вставляем простой код на проверку версии PyTorch.

import torch 
print(torch.__version__)

Из вывода узнаем версию PyTorch.

Установка PyTorch с поддержкой NVIDIA CUDA

Чтобы установить PyTorch с поддержкой NVIDIA GPU, введите команду в терминале:

pip install torch  –index-url https://download.PyTorch.org/whl/cu132

Проверка установки

Чтобы проверить успешную установку PyTorch, введите в терминале команду, которая запускает интерактивную оболочку Python.

python

В результате в терминале появится поле для ввода кода.

Вставляем простой код, чтобы проверить, доступен ли GPU:

import torch 
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

Из вывода узнаем, что PyTorch успешно обнаружил GPU NVIDIA L4 и может обращаться к нему через CUDA.

Установка PyTorch с поддержкой AMD ROCm

Чтобы установить PyTorch с поддержкой AMD GPU, введите команду в терминале:

pip install torch --index-url https://download.PyTorch.org/whl/rocm7.14

Проверка установки

Как и в случае с NVIDIA для проверки установки введите в терминале команду, чтобы запуститьинтерактивную оболочку Python.

python

В терминале появится поле для ввода кода.

Вставляем код ниже для проверки доступности GPU (для AMD тоже используется модуль torch.cuda, как и для NVIDIA CUDA):

import torch 
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

Из вывода узнаем, что PyTorch успешно обнаружил AMD GPU и может обращаться к нему через ROCm.

Обновление и удаление

Как обновить PyTorch

Для обновления версии PyTorch выполните команду:

pip install --upgrade torch

Удаление PyTorch

Чтобы удалить PyTorch, используйте команду:

pip uninstall torch

Установка через conda

Еще один способ установки библиотеки PyTorch — через менеджер пакетов conda. Он входит в дистрибутивы Miniconda, Anaconda, Miniforge, используемые для машинного обучения и работы с искусственным интеллектом.

Как создать виртуальное окружение с помощью conda:

conda create -n myenv python=3.12
conda activate myenv

Замените myenv на название вашего проекта, а версию Python — на ту, которую вы хотите использовать (в примере взята версия Python 3.12). Менеджер пакетов conda автоматически определяет наличие CPU или GPU и устанавливает совместимую версию.

Для установки PyTorch выполните следующую команду:

conda install PyTorch

Проверка установки

Чтобы проверить успешную установку PyTorch, введите в терминале команду, которая запускает интерактивную оболочку Python.

python

В результате в терминале появится поле для ввода кода.

Вставляем простой код на проверку версии PyTorch.

import torch 
print(torch.__version__)

Из вывода узнаем версию PyTorch — 2.14.0.

Чтобы проверить совместимость с GPU, вставляем следующий код:

import torch 
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

Из вывода узнаем, что PyTorch успешно обнаружил NVIDIA GPU и может обращаться к нему через CUDA.

Как обновить PyTorch

Для обновления версии PyTorch выполните команду:

conda update PyTorch

Удаление PyTorch

Чтобы удалить PyTorch, используйте команду:

conda remove PyTorch

Чем может помочь Selectel

Если вы занимаетесь задачами, связанными с машинным обучением, вам будет полезен DAVM — готовый облачный сервер с предустановленными и настроенными инструментами. Он подходит для разработки и обучения ML-моделей, тестирования LLM, создания небольшой платформы обработки данных и BI-аналитики. Среди доступных и готовых к работе инструментов — популярные фреймворки и библиотеки, включая Keras, TensorFlow, HuggingFace, OpenCV, PyTorch, Pandas и другие.

Образ DAVM разворачивается за несколько минут из панели управления. Мы уже настроили авторизацию через Keycloak, установили CUDA Toolkit для работы с GPU и привязали домен, с помощью которого вы сможете подключаться к инструментам через интернет.

Внутри панели нажимаем Продукты, во вкладке ИИ-платформа, находим и нажимаем на ИИ-маркетплейс.

Открывается страница ИИ-маркетплейса на которой нужно нажать Создать сервер.

Вам остается выбрать готовую конфигурацию DAVM или собрать свою. 

Выбирайте любую конфигурацию облачного сервера с RAM от 4 ГБ и объемом загрузочного диска от 100 ГБ. Если ваша задача — обучение ML-моделей, рекомендуем использовать конфигурации линейки GPU Line.