Table of Contents

深度学习环境配置

入门深度学习，首先要做的事情就是要搭建深度学习的环境。不管你是Windows用户，Mac用户还是Ubuntu用户，只要电脑配置允许，都可以做深度学习，毕竟Windows、Mac和Ubuntu系统都可以进行深度学习环境的搭建。接下来就记录下自己在Windows系统上搭建深度学习环境的过程，方便自己存档也为大家提供一个参考。
本次环境配置主要模式是基于Anaconda+PyTorch(GPU版)+CUDA+cuDNN进行搭建的。

所需工具：

Python集成开发环境：Anaconda
CUDA、cuDNN：英伟达提供的针对英伟达显卡的运算平台。用来提升神经网络的运行效率，如果电脑显卡不满足要求也是可以不用安装，使用cpu来进行运算。
开发工具：PyCharm
深度学习库：PyTorch（也可以使用Google开源的TensorFlow平台，不过一般学术界多用PyTorch平台。）

1.安装Anaconda

1.1下载Anaconda

Anaconda官网：https://www.anaconda.com
清华大学开源镜像下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
两个网站都可以下载，选择适合自己电脑的版本下载即可。
在这里插入图片描述
点击Download即可下载Anaconda。

1.2安装Anaconda

点击下载后的.exe文件进行安装。安装一般没有大问题，一直点next就行。

此处如果电脑只有你一个用户的话，也可以选择Just Me; 选择All Users就代表这台电脑上的所有用户均可使用，否则就需要管理员权限。一般选择All Users即可。
在这里插入图片描述

此处注意：文件夹必须是空的，不然会报错；其次文件夹名称中不要出现中文字符。

然后安装即可。
对于情况1，打开cmd输入python -V查看到的版本是anaconda自带的版本；
对于情况2，查看到的版本是安装anaconda之前的origin-python版本：
在这里插入图片描述

1.3添加环境变量

右击“我的电脑”->属性->高级系统设置->环境变量
在这里插入图片描述
选择系统变量的Path进行编辑；

如果你是直接在D盘建了一个Anaconda文件夹进行安装，就可以直接将以下四个路径添加进去：
D:\Anaconda
D:\Anaconda\Scripts
D:\Anaconda\Library\mingw-w64\bin
D:\Anaconda\Library\bin

以上路径的格式为：你安装的盘符+你的文件夹名称+后面不变的内容；
例如：你把Anaconda安装到了E盘中名为Python的文件夹，那么你的格式为

E:\Python\Library\mingw-w64\bin

其余三个类同，只需修改前面的内容即可。

1.4测试是否安装成功

1.4.1点击Anaconda Navigator
观察是否进入如下页面（反应时间较长），能顺利进入即可：
在这里插入图片描述
此处可能会出现问题：（没有出现闪退问题可以直接跳至1.4.2继续测试）
我在安装anaconda时，首次打开上面这个页面时，比较顺利但是出现了一个更新提示，点击更新完成后，发现再也打不开Anaconda Navigator这个页面了，或者说打开这个页面会闪退，但是其他地方都没有任何问题，只有Anaconda Navigator无法成功打开。
Anaconda闪退解决方法如下：

使用管理员权限打开Anaconda Prompt
升级navigator，执行conda update anaconda-navigator

中间会列出升级版本信息，如上图中间红框所示，核对下升级后的版本，确认可以接受升级的版本，然后输入y确认进行升级。之后几步中也会出现选择是否继续的选项，核对后输入y即可。
重置navigator，执行anaconda-navigator --reset
升级客户端，执行conda update anaconda-client
升级安装依赖包，执行conda update -f anaconda-client

这时就可以正常打开Anaconda Navigator了。
1.4.2点击Anaconda Prompt
这里是在继续测试anaconda是否安装成功。
输入conda info，观察是否输出如下一堆数据：

再输入conda --version，观察是否输出版本号：

如果提示conda不是内部或外部命令，那就意味着，anaconda没有配置好环境变量，回头检查一下哪里出了问题。
1.4.3更改conda源（后续安装第三方库可以加快速度）
官方提供下载的服务器在国外，下载龟速，国内清华大学提供了Anaconda的镜像仓库，我们把源改为清华大学镜像源：

在Anaconda prompt中操作：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

查看是否修改好通道：

conda config --show channels

2.安装NVIDIA显卡驱动

直接进NVIDIA官网：https://www.nvidia.cn/geforce/drivers/
在这里插入图片描述
在这里有GeForce驱动程序，立即下载，这是下载一个自动识别你电脑显卡的NVIDIA驱动，安装好之后记得注册一个账号并登录，然后在里面更新显卡驱动。

先点驱动程序，然后检查更新，就可以自动更新显卡驱动了。
更新完显卡驱动以后进Anaconda prompt的指令界面，输入nvidia-smi，可以看见自己显卡的相关信息。
在这里插入图片描述

3.安装CUDA和cnDNN

3.1CUDA

安装完NVIDIA以后我们还需要安装CUDA以及cuDNN，这两个是NVIDIA官方给出的便于深度学习计算的补丁
CUDA的安装之前我们先要看看相适配的版本，桌面空白处右键，打开NVIDIA控制面板，依次点击帮助-系统信息，在弹出的界面中选择组件:
在这里插入图片描述
在第三行我们可以看出我这台电脑要安装cuda11.6的版本，我们去下载cuda不可以高于这个版本，最好也别过低。

CUDA官网：https://developer.nvidia.com/cuda-downloads

下载相应版本即可。
下载完之后存放CUDA的文件夹会自动消失，后面可以从C盘找到相对应的路径。

3.2cuDNN

下载地址：https://developer.nvidia.com/rdp/cudnn-download

下载的时候注意版号，一定要让cudnn和cuda的版号完全一样才可以。
下载好之后打开cudnn的压缩包，再打开cuda的目录（目录在图里）：
在这里插入图片描述
可以看到cudnn有三个文件夹，把这些文件夹中的东西分别放进cuda对应的文件夹中就好。
至此cuda+cudnn就安装完成了，我们打开anaconda prompt，输入nvcc -V来看看cuda信息：

4.PyTorch安装

经历了以上几步，我们终于配置好了显卡的驱动相关，接下来我们开始安装pytorch。
首先需要创建一个虚拟环境，然后进入我们创建好的的pytorch环境，输入以下命令：

创建名叫pytorch的虚拟环境：

conda create -n pytorch python=3.9

进入pytorch虚拟环境：

conda activate pytorch

然后安装pytorch：

conda install pytorch

之后等待solving environment，好了以后按照提示按y回车，就自动装好了
来验证一下我们装的是否有效。

即首先用conda activate pytorch进入pytorch虚拟环境，然后在终端输入python进入python界面

分别输入

import torch
torch.cuda.is_available()

在这里插入图片描述
import torch以后回车无error，第二行指令返回的是true就大功告成

我用上面这种方法出现了问题，最后结果是false。所以我换了种方法，如下：
PyTorch官网：https://pytorch.org

官网界面往下拉
在这里插入图片描述
选择自己电脑的相关配置，然后在anaconda prompt中运行Run this Command里的代码：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

验证方法同上。
代码如下：

import torch
print(torch.__version__) #查看pytorch版本
print(torch.cuda.is_available()) #查看cuda是否可用 输出为True 或者False

以上，我们就完成了windows下简单的深度学习环境配置。

———————————-2022.06.09更新：——————————————-

在第四部分pytorch安装中，如果上面的操作均不能成功，那么可以尝试下面的操作：

1.前提：前三部分均成功操作，如下图：

在这里插入图片描述

2.主要思路：建立虚拟环境后再安装pytorch总是出现问题，这里直接用pip安装pytorch，随后将其移动至虚拟环境。

首先下载自己python版本对应的pytorch包
通过如下方式，点击链接进入pytorch包下载路径：https://download.pytorch.org/whl/cu113
在这里插入图片描述
选择匹配自己python版本的torch、torchaudio和torchvision，下图中cu115代表匹配cuda11.5版本，cp39表示匹配python3.9版本，win就表示windows：

下载好这三个包后将其放置于site-packages目录下，即你平时安装包所在的位置，我的在C:\Users\25837\AppData\Roaming\Python\Python39\site-packages，
在这里插入图片描述
接着在目录栏中直接cmd运行，然后将三个whl文件按次序分别安装，

pip install 名称

在这里插入图片描述
安装成功以后该目录下就会出现如下六个文件夹：

此时再重新进入python环境，输入如下代码检验环境是否配置成功：

import torch
print(torch.__version__) #查看pytorch版本
print(torch.cuda.is_available()) #查看cuda是否可用 输出为True 或者False

在这里插入图片描述
此时，pytorch环境配置完成——但这里只是在python中配置完成，如果在conda中创建虚拟环境，这个虚拟环境中就不包含torch及其深度学习环境。

所以下面我们配置conda创建的虚拟环境的深度学习环境!!!

3.conda创建的虚拟环境中配置深度学习环境

首先用管理员身份打开anaconda prompt，这样创建的虚拟环境会在anaconda安装目录下的envs中，否则创建的虚拟环境会因为没有权限而创建到C盘!!
在这里插入图片描述
创建完成之后，直接将前面利用pip安装的torch相关的六个文件夹复制到虚拟环境下的site-packages目录下，然后进行验证。

import torch
print(torch.__version__) #查看pytorch版本
print(torch.cuda.is_available()) #查看cuda是否可用 输出为True 或者False

结果为Ture即环境配置成功!!

（经验帖里说这样直接复制过来就可以，但我试了之后并没有成功，不知道是什么原因呜呜呜!!）

———————————-2022.06.10更新—————————————-

经过几天的折腾之后，终于成功配置在虚拟环境中配置好了pytorch深度学习环境!!!

上面说到直接复制粘贴的方法对我不适用，所以我又重新换了新的方法。
即换镜像源，上面的操作其实是没有问题的，只不过不同的镜像源下载速度不同，有可能会出现中断的现象，于是pytorch就会安装不成功，所以此处的操作步骤依然是：

1.先在anaconda中创建一个pytorch的虚拟环境

conda create -n pytorch python=3.9

2.利用conda命令安装pytorch

建立好pytorch虚拟环境后，先进入pytorch虚拟环境然后安装pytorch

用以下命令进入pytorch环境：

conda activate pytorch

然后用下面的代码安装pytorch：

注：此处可以将11.3改为你安装的cuda对应的版本，比如我安装的cuda是11.5版本，复制完代码后直接将11.3改为11.5后运行即可 （不过不更改也不影响）

这里的安装过程中如果出现中断或者安装不成功的情况时，就可以更改一下镜像源重新安装。

具体镜像源可以自行搜索查找。
（因为我用的那个镜像源也太慢了，我也不知道哪个最快最好用呜呜呜，我就不推荐了呜呜呜，反正就多试几个镜像源总能下载成功的!!）
在这里插入图片描述

注：如果利用conda命令总是不成功，也可以尝试使用pip命令进行安装，这时就需要将镜像源改成pip的镜像源；同时如果conda命令和pip命令都不行，也可以利用先下载whl文件，然后pip直接安装的方法。

（这里只是给大家提供不同的思路，具体操作可以参考上述流程或者自行搜索。总之多试几种方法总能成功的。而且顺利的话，说不定首次安装就能顺利成功，我第一次安装的时候就贼顺利，这次重新安装就废了老大劲踩了很多坑呜呜呜）

3.检验安装是否成功

同样在安装完成后，利用下面的代码检验一下是否成功安装。

import torch
print(torch.__version__) #查看pytorch版本
print(torch.cuda.is_available()) #查看cuda是否可用 输出为True 或者False