1. 关系讲解
-
Tytorch：Python机器学习库，基于Torch，用于自然语言处理等应用程序 -
Anaconda：是默认的python包和环境管理工具，安装了anaconda，就默认安装了conda -
CUDA：CUDA是一种由显卡厂商NVIDIA推出的通用并行计算架构，该架构使GPU能解决复杂的计算问题，可用来计算深度学习 -
cuDNN：是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。
2. 安装Anaconda
Anaconda用于构建虚拟环境
这里直接用清华源镜像进行下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
记得修改安装位置，基本上一路next即可，建议勾选自动添加环境变量
输出环境查看，表示安装成功
如果显示显示上述命令不为内部命令，则需要在系统环境变量Path中添加下面语句
Anaconda安装路径
Anaconda安装路径\Scripts
Anaconda安装路径\Library\bin
确定之后再查看conda --version是否生效，如不生效，可重启电脑后查看
安装完毕后，打开cmd，依照自己电脑修改conda的默认环境位置，否则创建的虚拟环境都会默认在C盘
conda config --add envs_dirs E:\Anaconda3\envs
同时设置清华源镜像，解决下载速度慢的问题
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
3. 安装CUDA
3.1 正常安装
先查看本机NVIDIA支持的CUDA版本，查看左下角的系统信息-组件
所以我们下载的版本应该低于12.0.89
下载CUDA，直接前往官网下载：https://developer.nvidia.com/cuda-toolkit-archive
根据自己的电脑版本，选择CUDA版本
双击exe文件进行安装，推荐使用默认地址安装，同意并安装
自定义安装，并且全选所有的组件，但是取消选择visual studio
记住安装路径，方便后续配置环境变量
等待下载，安装完毕即可
查看环境变量，有两个变量是自动添加的
在环境变量Path中，需要我们额外添加三个目录，版本根据自己的版本进行更改（例如我的是v11.8）
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\CUPTI\lib64
打开cmd，输入
set PATH=c:
然后输入
echo %PATH%
关闭cmd，之后再次开启命令提示符，输入
echo %PATH%
使新添加的环境变量生效
查看版本nvcc -V
查看设置的环境变量set cuda
3.2 碰到的问题
可能输入环境变量会显示错误
先切换到CUDA对应的文件夹下面：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite，在这个文件夹下打开终端
输入两个命令：
.\bandwidthTest.exe
.\deviceQuery.exe
- 若最后都显示
pass，说明安装无误，是环境变量配置出错，再次按照上述环境变量配置的方法进行配置即可 - 若最后显示的不是
pass，说明安装错误，需要把原来的卸载并且重新安装
4. 安装cuDNN
下载cuDNN，下载之前需要注册账号，有点小麻烦,直接前往官网下载：https://developer.nvidia.com/rdp/cudnn-download
下载Win版本，下载完毕后是一个压缩包
分别将cuDNN三个文件夹的内容分别复制到CUDA对应的文件夹里面。如下所示：
在环境变量Path中添加几个目录，可能有部分目录已添加，自己看清楚添加即可
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp
再次切换到CUDA的安装目录C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite
运行两个测试文件.\bandwidthTest.exe和.\deviceQuery.exe，显示Pass即可
5. 安装PyTorch
PyTorch 一分为三：torch、torchvision 与 torchaudio。这三个库中，torch 有 2G 左右，而 torchvision 和torchaudio只有 2M 左右，因此一般在代码里只会 import torch。当 torch 的版本给定后，另外两个附件的版本也唯一确定了。
安装 torch 前，先给出一张安装表，其中 cu113 即 cuda 11.3，cp39 即解释器的版本是 Python3.9
到目前位置，我们安装的软件版本如下，则我们下载 torch 2.0.0的版本：
-
Anaconda：4.5.4 -
CUDA：11.8 -
cdDNN：8.9 -
python：3.9
前往官网https://pytorch.org/get-started/previous-versions/查看torch 2.0.0对应的库版本
如果你可以科学上网或者网速较好，可直接在conda中运行下载命令
# CUDA 11.8
pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118
即对应的版本为
torch==2.0.0+cu118
torchvision==0.15.1+cu118
torchaudio==2.0.1
但如果网速不行，安装速度较慢，推荐利用单个下载再逐一安装的方式进行安装配置，进入对应的网站：https://download.pytorch.org/whl/cu118
分别进入找到对应的版本
这里特别注意，torchaudio下载的版本为torchaudio==2.0.1+cu118，但是这个在官方下载中未指定cuda的版本，我们需要手动添加
进入虚拟环境DL，执行命令安装上述三个whl文件
pip install D:\Anaconda3_5.2\WHL\torch-2.0.0+cu118-cp39-cp39-win_amd64.whl
pip install D:\Anaconda3_5.2\WHL\torchaudio-2.0.1+cu118-cp39-cp39-win_amd64.whl
pip install D:\Anaconda3_5.2\WHL\torchvision-0.15.1+cu118-cp39-cp39-win_amd64.whl
安装完毕后进入python解释器进行验证
输入 import torch 导入 torch 库，再输入torch.cuda.is_available()，输出True即为安装成功
6. 关联PyCharm
6.1 旧版本PyCharm
新建项目，选择已经存在的解释器
选择我们已经创建的Anaconda环境
选择完毕后，直接创建
文章来源：https://www.toymoban.com/news/detail-644958.html
6.2 新版本PyCharm
新版本的PyCharm中变成了选择conda的可执行程序，再选择Python的环境
文章来源地址https://www.toymoban.com/news/detail-644958.html
到了这里，关于PyTorch深度学习环境安装(Anaconda、CUDA、cuDNN)及关联PyCharm的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
