PyTorch在64位Windows下的編譯

天好熱啊發表於2017-05-12
PyTorchWindows編譯

各位，愛折騰的我又來啦！這次我準備搞點不一樣的，在Windows搞定PyTorch的編譯。

首先，我先簡要介紹一下PyTorch吧。PyTorch是Facebook開發維護的一個符號運算庫，可用於搭建動態的神經網路。它的程式碼簡潔，優美，也具有很強的效能。舉個例子，如果我們要在Theano或者TensorFlow下進行向量的運算，我們會先定義一個tensor，再對tensor做計算，然後定義一個function，最後呼叫函式並傳入引數，獲得輸出。樣例程式碼：

import theano
import theano.tensor as T
x = T.dmatrix('x')
s = 1 / (1 + T.exp(-x))
logistic = function([x], s)
logistic([[0, 1], [-1, -2]])複製程式碼

如果我們使用PyTorch呢，我們這樣寫

import torch
x = torch.FloatTensor([[0, 1], [-1, -2]])
s = 1 / (1 + torch.exp(-x))複製程式碼

只需要定義變數，即可進行運算。是不是更加符合我們的思維呢？

最後我再引用一句話來宣傳一波：

Matlab is so 2012.
Caffe is so 2013.
Theano is so 2014.
Torch is so 2015.
TensorFlow is so 2016. :D

‏ --Andrej Karpathy

‏It's 2017 now.

讓我們步入正題，看看如何在Windows下安裝PyTorch。

先做一個友情提醒，如果不想折騰的話，對於Windows 10 使用者，可以在WSL下進行體驗，缺點是不能使用GPU進行計算的加速。或者你也可以等待官方放出正式的安裝包。下面的安裝過程是測試，不保證能夠安裝成功。

首先我們可以找到官方repo的相關issue。其中有一位大神已經為我們做好了大量的工作，他將他的程式碼存放在這裡。當然你也可以直接使用我最終修改後的程式碼，就在他的基礎上做了一點工作，不過我的程式碼通過了所有的CUDA單元測試，他的還沒有。

首先，我們需要準備好安裝所需要的工具，包括：

  • Visual Studio 2015 with Update 1及以上(不能是2013，2017，原因我下面會解釋)
  • CMake
  • 一種BLAS運算庫，比如Openblas或者Intel MKL
  • PyTorch的原始碼，從上面的地址獲取
  • CUDA 7.5及以上
  • CUDNN 5.1.10及以上
  • Anaconda3 （Python版本3.5及以上）

安裝步驟大致如下：

  1. 安裝VS，CUDA，cuDNN， CMake，Anaconda。這沒什麼好多說的，至於為什麼一定要VS 2015 Update 1及以上，其實這是我踩坑之後得到的寶貴經驗。VS 2013對C99標準的支援比較弱， VS 2017 尚且不支援作為CUDA 8.0的編譯器，而原生的VS 2015 會報一個莫名其妙的連結錯誤。選取Anaconda3的原因也是為了相容C99。
  2. 新增環境變數，新增CMake和MSBuild的路徑至PATH中。他們大概在這樣的路徑下：
    C:\Program Files\CMake\bin
C:\Program Files (x86)\MSBuild\14.0\Bin\amd64複製程式碼
  3. 定位到pytorch程式碼目錄的torch\lib下面，我們新建一個目錄tmp_install，在這個目錄下面再新建一個目錄lib，然後將blas相關的lib統統丟進去。然後對build_all.bat進行修改，定位到結尾，可以發現這樣一段程式碼
    cmake ../../%~1 -G "Visual Studio 14 2015 Win64" ^
               -DCMAKE_MODULE_PATH=%BASE_DIR%/cmake/FindCUDA ^
               -DTorch_FOUND="1" ^
               -DCMAKE_INSTALL_PREFIX="%INSTALL_DIR%" ^
               -DCMAKE_C_FLAGS="%C_FLAGS%" ^
               -DCMAKE_SHARED_LINKER_FLAGS="%LINK_FLAGS%" ^
               -DCMAKE_CXX_FLAGS="%C_FLAGS% %CPP_FLAGS%" ^
               -DCUDA_NVCC_FLAGS="%BASIC_CUDA_FLAGS%" ^
               -DTH_INCLUDE_PATH="%INSTALL_DIR%/include" ^
               -DTH_LIB_PATH="%INSTALL_DIR%/lib" ^
               -DTH_LIBRARIES="%INSTALL_DIR%/lib/TH.lib" ^
               -DTHS_LIBRARIES="%INSTALL_DIR%/lib/THS.lib" ^
               -DTHC_LIBRARIES="%INSTALL_DIR%/lib/THC.lib" ^
               -DTHCS_LIBRARIES="%INSTALL_DIR%/lib/THCS.lib" ^
               -DTH_SO_VERSION=1 ^
               -DTHC_SO_VERSION=1 ^
               -DTHNN_SO_VERSION=1 ^
               -DTHCUNN_SO_VERSION=1 ^
               -DCMAKE_BUILD_TYPE=Release ^
               -DLAPACK_LIBRARIES="%INSTALL_DIR%/lib/mkl_rt.lib" -DLAPACK_FOUND=TRUE複製程式碼
    可以將最後一行進行適當的修改，如使用OpenBlas可將其改為openblas.lib；如不打算使用blas，則將最後一行去掉。
  4. 開啟一個CMD視窗，定位到pytorch程式碼根目錄下，然後執行以下程式碼：
    cd torch\lib
build_all.bat --with-cuda複製程式碼
    然後大家就可以喝喝茶，看看電影，度過這個漫長的編譯時間。
  5. 檢查一下torch\lib下是否包含THPP.dll，如果沒有的話，說明編譯失敗了。看看之前的輸出，想想問題大概出在哪裡。
  6. 如果順利的話，我們再鍵入最後兩行命令。
    cd ..\..
python setup.py install複製程式碼
  7. 如果沒有報錯的話，恭喜你，安裝成功了。不過，還需要一些小小的操作。我們先找到cudart和cudnn模組，他們一般在這個位置：
    C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudart64_80.dll
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudnn64_6.dll 
# 如果使用cudnn v5，那麼就是
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\cudnn64_5.dll複製程式碼
  8. 將他們拷貝至Anaconda3的Lib\site-packages\torch\lib下面

  9. 如果你使用的是cudnn v5的話，開啟Anaconda3的Lib\site-packages\torch\backends\cudnn下面的__init__.py。將_libcudnn函式修改為：

    def _libcudnn():
 global lib, __cudnn_version
 if lib is None:
     lib = ctypes.cdll.LoadLibrary("cudnn64_5")
     if hasattr(lib, 'cudnnGetErrorString'):
         lib.cudnnGetErrorString.restype = ctypes.c_char_p
         __cudnn_version = lib.cudnnGetVersion()
     else:
         lib = None
 return lib複製程式碼

    就這樣，我們就完成了PyTorch在64位Windows下的安裝。我們可以跑一下MNIST來測試一下：

    from __future__ import print_function
import argparse
import time
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
from torch.backends import cudnn
if __name__ == '__main__':
 parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
 parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                     help='input batch size for training (default: 64)')
 parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                     help='input batch size for testing (default: 1000)')
 parser.add_argument('--epochs', type=int, default=10, metavar='N',
                     help='number of epochs to train (default: 10)')
 parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
                     help='learning rate (default: 0.01)')
 parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
                     help='SGD momentum (default: 0.5)')
 parser.add_argument('--no-cuda', action='store_true', default=False,
                     help='disables CUDA training')
 parser.add_argument('--seed', type=int, default=1, metavar='S',
                     help='random seed (default: 1)')
 parser.add_argument('--log-interval', type=int, default=10000, metavar='N',
                     help='how many batches to wait before logging training status')
 args = parser.parse_args()
 args.cuda = not args.no_cuda and torch.cuda.is_available()

 print('Using CUDA:' + str(args.cuda))

 torch.manual_seed(args.seed)
 if args.cuda:
     torch.cuda.manual_seed(args.seed)

 class Net(nn.Module):
     def __init__(self):
         super(Net, self).__init__()
         self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
         self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
         self.conv2_drop = nn.Dropout2d()
         self.fc1 = nn.Linear(320, 50)
         self.fc2 = nn.Linear(50, 10)

     def forward(self, x):
         x = F.relu(F.max_pool2d(self.conv1(x), 2))
         x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
         x = x.view(-1, 320)
         x = F.relu(self.fc1(x))
         x = F.dropout(x, training=self.training)
         x = self.fc2(x)
         return F.log_softmax(x)

 model = Net()
 if args.cuda:
     model.cuda()

 # cudnn.enabled = False
 cudnn.benchmark = True

 kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
 train_dataset = datasets.MNIST('../data', train=True, download=True, transform=transforms.Compose([
     transforms.ToTensor(),
     transforms.Normalize((0.1307,), (0.3081,))
 ]))
 test_dataset = datasets.MNIST('../data', train=False, transform=transforms.Compose([
     transforms.ToTensor(),
     transforms.Normalize((0.1307,), (0.3081,))
 ]))
 train_loader = torch.utils.data.DataLoader(
     train_dataset, batch_size=args.batch_size, shuffle=True, **kwargs)
 test_loader = torch.utils.data.DataLoader(
     test_dataset, batch_size=args.batch_size, shuffle=True, **kwargs)

 optimizer = optim.SGD(model.parameters(), lr=args.lr,
                       momentum=args.momentum)

 def train(epoch):
     model.train()

     for batch_idx, (data, target) in enumerate(train_loader):
         if args.cuda:
             data, target = data.cuda(), target.cuda()
         data, target = Variable(data), Variable(target)
         optimizer.zero_grad()
         output = model(data)
         loss = F.nll_loss(output, target)
         loss.backward()
         optimizer.step()

         if batch_idx % args.log_interval == 0:
             print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                       epoch, batch_idx *
                       len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.data[0]))

 def test(epoch):
     model.eval()
     test_loss = 0
     correct = 0
     for data, target in test_loader:
         if args.cuda:
             data, target = data.cuda(), target.cuda()
         data, target = Variable(data, volatile=True), Variable(target)
         output = model(data)
         test_loss += F.nll_loss(output, target).data[0]
         # get the index of the max log-probability
         pred = output.data.max(1)[1]
         correct += pred.eq(target.data).cpu().sum()

     test_loss = test_loss
     # loss function already averages over batch size
     test_loss /= len(test_loader)
     print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
         test_loss, correct, len(test_loader.dataset),
         100. * correct / len(test_loader.dataset)))

 for epoch in range(1, args.epochs + 1):
     train(epoch)
     test(epoch)複製程式碼

為啥一定要在外層用主模組判斷呢？其實是因為現在PyTorch在Windows下的Multi Processing庫還存在一些問題，在DataLoader載入時，會用另外一個執行緒重新開啟該檔案，造成衝突。其他基本上沒有太大的問題，可以正常使用。MNIST的執行實測如下圖，跑的還是挺快的。

PyTorch在64位Windows下的編譯

以上，就是文章的全部內容啦，如果感覺還意猶未盡的話，可以給我的Github 主頁或者專案加個watch或者star之類的（滑稽），以後說不定還會再分享一些相關的經驗。

相關文章