大家好，小编来为大家解答以下问题，python编程对笔记本电脑配置的要求，python编程对电脑配置的要求有哪些，今天让我们一起来看看吧！
cuda配置是关键
1 了解电脑硬件配置
1.1 电脑显卡型号
对于深度学习任务，大部分是要用GPU进行科学计算的，因为同等价格的GPU运行效率可能是CPU效率的十倍以上，所以我们首先要查看我们的电脑是否有独显：
在此电脑-属性-设备管理器-显示适配器中，查看是否有独立显卡。
在这里可以看到本地的独立显卡型号，然后我们可以查看此型号是否支持cuda，其实几乎所有NVIDIA的独显都有对应的cuda版本相对应的用python画雪人贺卡。
1.2 显卡的驱动程序版本
右键NVIDIA控制面板-帮助-系统信息，可查看显卡驱动版本
哦好像这也有显卡型号…
显卡的驱动版本决定了我们所选择的cuda版本上限，如果我们的驱动版本只是3xx.xx，那么就只能使用最高9.2的cuda驱动，具体的显卡驱动与对应的CUDA关系如下
根据上述对应关系，我们就可以确定我们的CUDA版本。下面我们以CUDA10.x为例进行讲解，先贴一下各版本的资源：
CUDA10.2
链接：百度网盘 请输入提取码
提取码：BGDT
CUDA10.1:
链接：百度网盘 请输入提取码
提取码：BGDT
CUDA10.0
链接：百度网盘 请输入提取码
提取码：BGDT
2 安装CUDA和CUDANN
按照上述流程确定好自己显卡适配的CUDA后下载下来，免去了到CUDA官网上梦游的麻烦，CUDA下载完后是exe程序，CUDANN是文件夹。下面进行CUDA的配置
2.1 安装CUDA（点击exe程序）
2.1.1 安装路径，选择OK（安装完成后路径会自动变化所以这里路径选择默认就好）
2.1.2 点击下一步
2.1.3 点击同意并安装
2.1.4 自定义安装
2.1.5 将VS勾选去掉
2.1.6 默认路径即可
2.1.7 等待安装完成
2.2 配置环境变量
此电脑-高级系统设置-环境变量-系统变量中的Path-编辑-新建，依次加入红框中的4个地址（依据自己的安装路径添加）
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.x
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.x\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.x\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.x\libnvvp
在系统命令窗口中使用nvcc -V测试CUDA是否正常安装，若系统变量配置正确，则有NVIDIA信息显示
也可以输入nvidia-smi查看显卡使用信息：
2.3 配置cudann
cudann中包含bin、clude、lib3个文件，只需将这3个文件下的内容直接复制到CUDA的安装目录的对应文件中，直接覆盖安装即可。即：
将cudann/bin目录下的全部文件复制到cuda/v10.x/bin目录下
将cudann/include目录下的全部文件复制到cuda/v10.x/include目录下
将cudann/lib目录下的全部文件复制到cuda/v10.x/lib目录下
到这里CUDA的配置就结束了。
3 安装Anaconda
默认安装即可，安装路径最好指定一下，如：D:\Anaconda\conda，因为以后会经常操作安装目录Anaconda3-5.2.0链接如下
链接：百度网盘-链接不存在
提取码：BGDT
4 安装torch和torchvision
4.1 创建虚拟环境
conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理和环境管理。包管理与pip的使用方法类似，环境管理则是允许用户方便安装不同版本的python环境并在不同环境之间快速地切换。下面创建一个名为torch、python版本为3.7的新环境
conda create -n torch python=3.7
输入y，等一会即安装成功
进入新创建的环境
conda activate torch
可以看到环境切换
4.2 选择torch与torchvision版本
4.2.1 在线安装
根据cuda版本选择：
# CUDA 9.2
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=9.2 -c pytorch
# CUDA 10.1
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.1 -c pytorch
# CUDA 10.2
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.2 -c pytorch
# CUDA 11.0
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch
# CPU Only
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cpuonly -c pytorch
4.2.2离线安装
如果网速太慢，也可以将安装包下载到本地文件夹进行离线安装
网址：https://download.pytorch.org/whl/torch_stable.html
这里贴一下torch1.7.1和torchvision0.8.2的链接：
链接：百度网盘 请输入提取码
提取码：ol0m
下载完后根据安装包在本地的位置使用pip安装即可
例如在D:\Anaconda\Software下，则可以使用pip命令：
pip install D:\Anaconda\Software\torch-1.7.1-cp36-cp36m-win_amd64
4.3 测试
cuda test
import torch
print(torch.__version__)
x = torch.Tensor([1.0])
xx = x.cuda()
print(xx)
print(torch.cuda.is_available())
无异常抛出即配置成功文章来源：https://www.toymoban.com/news/detail-834369.html
5 每日一诗
夜读唐寅 〔明代〕夜来欹枕细思量，独卧残灯漏夜长。深虑鬓毛随世白，不知腰带几时黄。人言死后还三跳，我要生前做一场。名不显时心不朽，再挑灯火看文章。文章来源地址https://www.toymoban.com/news/detail-834369.html
cuda配置是关键
1 了解电脑硬件配置
1.1 电脑显卡型号
对于深度学习任务，大部分是要用GPU进行科学计算的，因为同等价格的GPU运行效率可能是CPU效率的十倍以上，所以我们首先要查看我们的电脑是否有独显：
在此电脑-属性-设备管理器-显示适配器中，查看是否有独立显卡。
在这里可以看到本地的独立显卡型号，然后我们可以查看此型号是否支持cuda，其实几乎所有NVIDIA的独显都有对应的cuda版本相对应的用python画雪人贺卡。
1.2 显卡的驱动程序版本
右键NVIDIA控制面板-帮助-系统信息，可查看显卡驱动版本
哦好像这也有显卡型号…
显卡的驱动版本决定了我们所选择的cuda版本上限，如果我们的驱动版本只是3xx.xx，那么就只能使用最高9.2的cuda驱动，具体的显卡驱动与对应的CUDA关系如下
根据上述对应关系，我们就可以确定我们的CUDA版本。下面我们以CUDA10.x为例进行讲解，先贴一下各版本的资源：
CUDA10.2
链接：百度网盘 请输入提取码
提取码：BGDT
CUDA10.1:
链接：百度网盘 请输入提取码
提取码：BGDT
CUDA10.0
链接：百度网盘 请输入提取码
提取码：BGDT
2 安装CUDA和CUDANN
按照上述流程确定好自己显卡适配的CUDA后下载下来，免去了到CUDA官网上梦游的麻烦，CUDA下载完后是exe程序，CUDANN是文件夹。下面进行CUDA的配置
2.1 安装CUDA（点击exe程序）
2.1.1 安装路径，选择OK（安装完成后路径会自动变化所以这里路径选择默认就好）
2.1.2 点击下一步
2.1.3 点击同意并安装
2.1.4 自定义安装
2.1.5 将VS勾选去掉
2.1.6 默认路径即可
2.1.7 等待安装完成
2.2 配置环境变量
此电脑-高级系统设置-环境变量-系统变量中的Path-编辑-新建，依次加入红框中的4个地址（依据自己的安装路径添加）
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.x
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.x\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.x\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.x\libnvvp
在系统命令窗口中使用nvcc -V测试CUDA是否正常安装，若系统变量配置正确，则有NVIDIA信息显示
也可以输入nvidia-smi查看显卡使用信息：
2.3 配置cudann
cudann中包含bin、clude、lib3个文件，只需将这3个文件下的内容直接复制到CUDA的安装目录的对应文件中，直接覆盖安装即可。即：
将cudann/bin目录下的全部文件复制到cuda/v10.x/bin目录下
将cudann/include目录下的全部文件复制到cuda/v10.x/include目录下
将cudann/lib目录下的全部文件复制到cuda/v10.x/lib目录下
到这里CUDA的配置就结束了。
3 安装Anaconda
默认安装即可，安装路径最好指定一下，如：D:\Anaconda\conda，因为以后会经常操作安装目录Anaconda3-5.2.0链接如下
链接：百度网盘-链接不存在
提取码：BGDT
4 安装torch和torchvision
4.1 创建虚拟环境
conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理和环境管理。包管理与pip的使用方法类似，环境管理则是允许用户方便安装不同版本的python环境并在不同环境之间快速地切换。下面创建一个名为torch、python版本为3.7的新环境
conda create -n torch python=3.7
输入y，等一会即安装成功
进入新创建的环境
conda activate torch
可以看到环境切换
4.2 选择torch与torchvision版本
4.2.1 在线安装
根据cuda版本选择：
# CUDA 9.2
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=9.2 -c pytorch
# CUDA 10.1
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.1 -c pytorch
# CUDA 10.2
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.2 -c pytorch
# CUDA 11.0
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch
# CPU Only
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cpuonly -c pytorch
4.2.2离线安装
如果网速太慢，也可以将安装包下载到本地文件夹进行离线安装
网址：https://download.pytorch.org/whl/torch_stable.html
这里贴一下torch1.7.1和torchvision0.8.2的链接：
链接：百度网盘 请输入提取码
提取码：ol0m
下载完后根据安装包在本地的位置使用pip安装即可
例如在D:\Anaconda\Software下，则可以使用pip命令：
pip install D:\Anaconda\Software\torch-1.7.1-cp36-cp36m-win_amd64
4.3 测试
cuda test
import torch
print(torch.__version__)
x = torch.Tensor([1.0])
xx = x.cuda()
print(xx)
print(torch.cuda.is_available())
无异常抛出即配置成功
5 每日一诗
夜读唐寅 〔明代〕夜来欹枕细思量，独卧残灯漏夜长。深虑鬓毛随世白，不知腰带几时黄。人言死后还三跳，我要生前做一场。名不显时心不朽，再挑灯火看文章。
到了这里，关于python编程需要的电脑配置,python编程用什么电脑的文章就介绍完了。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！
