当前位置：首页 > news >正文

Pytorch xpu环境配置 Pytorch使用Intel集成显卡

news 来源：原创 2025/6/18 16:25:12

1、硬件集显要为Intel ARC并安装正确驱动

2、安装Intel oneAPI Base Toolkit （https://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/base-toolkit-download.html）安装后大约20G左右，注意安装路径

3、安装Visual Studio Build Tools （Microsoft C++ 生成工具 - Visual Studio）

安装时所有选项默认就行，安装如下组件就行

4、安装xpu版Pytorch 安装后大约6G左右

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/xpu 
# 使用--target=d:\python\lib修改安装路径

5、测试

每次打开CMD窗口都要执行一次setvars.bat文件（oneAPI安装路径\oneAPI\setvars.bat）然后再执行python文件，注意只能在CMD窗口中执行，不能使用PowerShell

import torch

print(torch.xpu.is_available())

一个简单的模型训练例子

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt

# 使用cpu时删除所有.to(xpu)和.to(cpu)

plt.rcParams['font.family'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
xpu = torch.device('xpu') # 使用CPU时可以删除这句
 
# 1. 定义一个简单的神经网络模型
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(2, 2)  # 输入层到隐藏层
        self.fc2 = nn.Linear(2, 1)  # 隐藏层到输出层
    
    def forward(self, x):
        x = torch.relu(self.fc1(x))  # ReLU 激活函数
        x = self.fc2(x)
        return x
 
# 2. 创建模型实例
model = SimpleNN()
model.to(xpu) # 使用CPU时可以删除这句
 
# 3. 定义损失函数和优化器
criterion = nn.MSELoss()  # 均方误差损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam 优化器
 
# 4. 假设我们有训练数据 X 和 Y
X = torch.randn(10, 2, requires_grad=True).to(xpu)  # 10 个样本，2 个特征
Y = torch.randn(10, 1).to(xpu)  # 10 个目标值
print(X,Y)
# 5. 训练循环
losses = []
for epoch in range(500):  # 训练 500 轮
    model.train()  # 设置模型为训练模式
    optimizer.zero_grad()  # 清空之前的梯度
    output = model(X)  # 前向传播
    loss = criterion(output, Y) # 计算损失
    losses.append(loss.item())
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数
 
 
# 可视化预测结果与实际目标值对比
y_pred_final = model(X).detach().to("cpu").numpy()  # 最终预测值
y_actual = Y.to("cpu").numpy()  # 实际值
 
plt.figure(figsize=(8, 5))
plt.plot(range(1, 11), y_actual, 'o-', label='实际值', color='blue')
plt.plot(range(1, 11), y_pred_final, 'x--', label='预测值', color='red')
plt.xlabel('Sample Index')
plt.ylabel('Value')
plt.title('Actual vs Predicted Values')
plt.legend()
plt.grid()
plt.show()