Verifica dell'installazione di PyTorch

Per verificare l'ambiente PyTorch, sia che si utilizzi Colab, una macchina locale o una piattaforma cloud, è essenziale assicurarsi che PyTorch sia installato correttamente e verificare la disponibilità di una GPU. Ecco come fare:

Importare la libreria PyTorch

Si inizia importando la libreria PyTorch nel proprio ambiente di codifica.

A differenza di quanto si potrebbe pensare, l'importazione si fa con import torch e non con import pytorch.

import torch

Questa scelta deriva dalla storia di PyTorch, che si basa sulla libreria originale 'torch', un framework di apprendimento automatico open source sviluppato in C.

Mantenere il nome 'torch' permette di riutilizzare il codice Torch in una implementazione più efficiente di PyTorch.

Stampare la versione di PyTorch

Per essere certi della versione di PyTorch installata, si può usare il seguente comando:

print(torch.__version__)

Questo passaggio è importante per assicurarsi che si stia lavorando con la versione di PyTorch che si desidera, soprattutto se si stanno seguendo tutorial o documentazione specifici per una determinata versione.

Verificare la disponibilità della GPU

Per controllare se una GPU è disponibile nell'ambiente di esecuzione, si utilizza il comando

print(torch.cuda.is_available())

Questo passo è cruciale per le attività di apprendimento profondo, in quanto una GPU può accelerare significativamente i tempi di elaborazione.

Esempio di codice per la verifica:

import torch
print(torch.__version__)
print(torch.cuda.is_available())

Se PyTorch è stato installato correttamente dovresti vedere la versione installata e un valore booleano True/False che indica la disponibilità o meno della GPU.

2.1.2+cpu
True

Ricorda che l'uso di PyTorch e la sua verifica sono fondamentali per garantire che il tuo ambiente di sviluppo sia configurato correttamente, specialmente quando si lavora con calcoli intensivi e reti neurali profonde.