最简单Anaconda+PyTorch深度学习环境配置教程

深度学习小白从零开始学习配置环境，记录一下踩过的雷坑，做个学习笔记。

配置了好几次之后总结出来的最简单，试错成本最小的方案，分享给大家~

安装顺序：Anaconda+CUDA+ CuDnn+Pytorch 

STEP1.Anaconda

1.1 Anaconda的简介

Anaconda，中文大蟒蛇，是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。安装它可以方便我们后续进行conda环境管理器下的命令生成和跑各自深度学习模型。

1.2 Anaconda的下载

记得选用对应版本，推荐各位下载在D盘，内存空间较大，方便后续配置虚拟环境

下载地址：

• 官网首页：Anaconda | The World's Most Popular Data Science Platform
• 官网下载页：Anaconda | Anaconda Distribution​​​​​​

如果嫌官网下载速度较慢的话，也可以在以下网址下载：

清华源下载

安装过程与其他软件无异，一路NEXT下去就可以啦！

1.3 查看是否安装成功

打开cmd终端（键盘win+R，输入cmd）

在安装anconda的路径下输入

A.conda list   或者

B.conda --version

如果没有报错，就安装成功了。

这里注意要记住conda的版本号，防止后续安装其他不兼容报错。

STEP2.CUDA

2.1 CUDA的简介

CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员可以使用C语言来为CUDA™架构编写程序，所编写出的程序可以在支持CUDA™的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。

2.2 CUDA的下载

安装CUDA之前必须要有显卡驱动，可以点进NVIDIA控制面板查看，如果没有/版本过低，也需要重新下载，具体显卡驱动安装可以参考以下连接：

https://blog.csdn.net/weixin_47417217/article/details/125335734?ops_request_misc=&request_id=&biz_id=102&utm_term=cuda%E5%AE%89%E8%A3%85%E6%95%99%E7%A8%8B&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-9-125335734.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&spm=1018.2226.3001.4187https://blog.csdn.net/weixin_47417217/article/details/125335734?ops_request_misc=&request_id=&biz_id=102&utm_term=cuda%E5%AE%89%E8%A3%85%E6%95%99%E7%A8%8B&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-9-125335734.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&spm=1018.2226.3001.4187

2.2.1 查看NVIDIA支持的CUDA最高版本

cmd窗口输入nvidia -smi，查看返回窗口左上角的cuda version，显示的数字，如12.0，则表示你的显卡驱动最高支持12.0，只能安装以下的版本。

如果想要进一步区分各个版本的区别，可以参考：

https://blog.csdn.net/update7/article/details/106331344?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167989845216800197081815%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=167989845216800197081815&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-106331344-null-null.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&utm_term=cuda%20%E7%89%88%E6%9C%AC&spm=1018.2226.3001.4187https://blog.csdn.net/update7/article/details/106331344?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167989845216800197081815%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=167989845216800197081815&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-106331344-null-null.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&utm_term=cuda%20%E7%89%88%E6%9C%AC&spm=1018.2226.3001.41872.2.2 查看与Pytorch对应的CUDA版本

因为Pytorch对CUDA有非常严苛的版本要求，所以在下载CUDA之前，可以先去Pytorch官网查看torch版本与CUDA的对应，CUDA版本过高也许没有可以支持它的torch这点要格外注意。

官网：Pytorch版本对应查看

2.2.3 官网下载

确定完自己要下载的CUDA版本之后，就可以直接去官网下载啦，选择自己系统对应的版本，安装过程也是一路NEXT就可以。

官网：CUDA

2.3 查看是否安装成功

cmd命令界面，输入命令
nvcc --version，输出以下则CUDA安装成功。

STEP3. CUDNN

3.1 CUDNN的简介

NVIDIACUDA®深度神经网络库（cuDNN）是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现，例如向前和向后卷积，池化，规范化和激活层。
全球的深度学习研究人员和框架开发人员都依赖cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序，而不必花时间在底层GPU性能调整上。cuDNN的加快广泛使用的深度学习框架，包括Caffe2，Chainer，Keras，MATLAB，MxNet，PyTorch和TensorFlow。已将cuDNN集成到框架中的NVIDIA优化深度学习框架容器，访问NVIDIA GPU CLOUD了解更多信息并开始使用。

cuDNN并不是独立的软件，而是一个CUDA下与深度学习密切相关的宝，这里单独提出它是因为从新手的角度来说，安装和配置的过程分为需要独立下载的部分会更清晰，如果想要进一步了解，可以参考：https://blog.csdn.net/u014380165/article/details/77340765?ops_request_misc=&request_id=&biz_id=102&utm_term=cudnn&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-77340765.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&spm=1018.2226.3001.4187https://blog.csdn.net/u014380165/article/details/77340765?ops_request_misc=&request_id=&biz_id=102&utm_term=cudnn&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-77340765.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&spm=1018.2226.3001.4187

3.2 CUDNN的下载

3.2.1 CUDNN与CUDA 与对应的版本

官网：https://developer.nvidia.com/rdp/cudnn-archive#a-collapse742-10

3.2.2 官网下载

官网：https://developer.nvidia.com/rdp/cudnn-archive

3.2.3 配置

下载下来之后进行解压，然后将解压出来的
（1）\cuda\bin\文件夹下的cudnn64_7.dll复制到CUDA安装目录\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin\文件夹中
（2）\cuda\include\文件夹下的cudnn.h复制到CUDA安装目录\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include\文件夹中
（3）\cuda\lib\x64\文件夹下的cudnn.lib复制到CUDA安装目录\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64\文件夹中

参考：

https://blog.csdn.net/qq_40927867/article/details/115771647?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167989908916782427445995%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=167989908916782427445995&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-115771647-null-null.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&utm_term=cudnn&spm=1018.2226.3001.4187https://blog.csdn.net/qq_40927867/article/details/115771647?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167989908916782427445995%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=167989908916782427445995&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-115771647-null-null.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&utm_term=cudnn&spm=1018.2226.3001.4187

STEP4.Pytorch

4.1 Pytorch的简介

PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。

2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。

4.2 Pytorch的下载/安装

4.2.1 虚拟环境的建立

在终端中输入;

conda create -n pytorch python=x.x

4.2.2 虚拟环境的查看

conda info --envs

4.2.3 虚拟环境的激活

conda activate pytorch

激活后，前面会从（base）变为（pytorch）

4.2.4 虚拟环境下下载

进入官网：https://pytorch.org/

选择与上一步CUDA对应的版本，注意，这里conda是指用conda处理器下载，pip是指用pip命令下载，两者都可以，因为连接速度有时会很慢，建议都试试。

 复制这一栏中的命令，在你激活的虚拟环境下输入，回车安装就好啦！

如果需要下载配置其他python包，也可以使用conda或者pip进行直接的下载文章来源地址https://www.toymoban.com/news/detail-782021.html

到了这里，关于最简单Anaconda+PyTorch深度学习环境配置教程的文章就介绍完了。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！