Installation

Python

• Recherchez la dernière version de Python supportée par Pytorch : https://pytorch.org/get-started/locally/

  • Si vous ne le faites pas, vous perdrez probablement du temps à gérer des erreurs incompréhensibles

• Si vous êtes débutant, suivez la procédure ci-dessous :

  • Créez un répertoire sur le bureau : Pytorch314

    

  • Allez sur le site officiel www.python.org

  • Dans le bandeau, cliquez sur Downloads

    

  • Recherchez le tableau des versions

  • Recherchez la version compatible Pytorch (3.14 ici) et cliquez sur l’icone Download

    

  • Téléchargez le Windows Installer 64 bits

    

  • Lancez l’installeur Python et choisissez Customize installation

  • Lorsque l’on vous propose de sélectionner le répertoire d’installation, sélectionnez le répertoire Pytorch314

    

GPU

Pour savoir si vous avez un GPU NVIDIA compatible, lancez une fenêtre de commande (cmd) et tapez : nvidia-smi

Si vous n’obtenez aucune réponse et que vous êtes convaincu d’avoir un GPU nvidia, alors réinstallez les drivers. Les drivers game-ready sont suffisants, les drivers spécifiques sont uniquement requis pour le développement CUDA.

PyTorch

• Ouvrez une fenêtre de commande (cmd)

• Allez dans le répertoire Pytorch314 et faites un glisser-déposer de python.exe vers la fenêtre cmd :

  

• Pour installer PyTorch + CPU/GPU : ajoutez à la suite du .exe :

  python.exe -m pip install torch torchvision –index-url https://download.pytorch.org/whl/cu126

• Pour installer PyTorch + CPU : ajoutez à la suite du .exe :

  python.exe -m pip install torch torchvision

Comptez plusieurs minutes d’installation.

Test

Lancez votre éditeur Python favori et lancez le script suivant :

import torch
print("Version de PyTorch :", torch.__version__)

GPU = torch.cuda.is_available()
if GPU:
    print("GPU ok")
    print(torch.cuda.get_device_name(0))

Avertissement

Ce test doit fonctionner !

GPU Colab

Colab vous permet d’accéder à un GPU T4 gratuitement pour quelques heures. Pour configurer le GPU, allez dans le menu : Modifier > Paramètres du notebook et choisissez par exemple l’option GPU T4 :

Cliquez ensuite sur les informations du système :

Pour faire apparaître les informations sur la mémoire GPU (VRAM) :

16 Gigas, ce n’est pas si mal pour de la mémoire GPU !

On peut aussi obtenir plus d’informations sur le GPU en exécutant la commande !nvidia-smi dans une cellule :

On remarque plusieurs informations utiles :

• La version de CUDA déployée

• La consommation en watts du GPU pour savoir s’il est au repos ou actif

• La liste des processus ainsi que leur consommation de VRAM

Avertissement

Pensez à déconnecter votre instance car même si vous ne lancez aucun traitement les minutes disponibles sont décomptées dès que la VM est active.

Louez un GPU

Si certains d’entre vous désirent tester l’apprentissage sur GPU en profondeur alors des solutions existent :

• Il existe de nombreux sites de location de GPU aujourd’hui. Le prix pour une config entrée de gamme est de l’ordre de 0,50€ de l’heure. C’est acceptable, sauf que, cette facturation court dès qu’une VM est lancée, même si aucun calcul n’est actif. Comme il y a déjà eu des accidents dans le passé chez vos prédécesseurs, cette option est à envisager avec un maximum de prudence.

• Google Colab vous permet d’accéder à un GPU T4 gratuitement, mais seulement pour quelques heures. C’est toujours généreux, MAIS, dimensionné pour tester un petit notebook d’exemples. Après cela, il faut compter 11€ pour 100 crédits et un GPU T4 consomme autours de 2 crédits de l’heure. Vous pouvez donc approximativement espérer 50h de calcul disponible.

• Une dernière option est la location de PC gamer online. Des élèves, pour des projets Unreal, ont pu tester la plateforme Shadow PC, il en existe d’autres. Interêt :

  • Connexion en remote desktop - aucun effort - vous voyez directement l’écran du PC distant

  • Prix au mois - meilleure visibilité - comptez 33€ TTC/mois pour une RTX 4060

  • Disque SSD présent - données pérennes