开发环境搭建Python+PyTorch+Anaconda+Pycharm+CUDA
开发环境
- Python 3.7 + Anaconda 5.3.1
- CUDA 10.0
- Pycharm Community
本次我们采用的Python版本是3.7，并且为了大家的方便以及目前主流的选择，我们会选择安装Anaconda这个Python的包管理工具，可以自动下载管理第三方软件库的工具。
然后，我们会进行在装有NVIDIA显卡的电脑上安装NVIDIA的显卡驱动以及统一的并行计算语言库CUDA10.0，CUDA是NVIDIA推出来的，可以利用显卡进行通用计算的开发语言API，大家可以使用这个API就像进行软件开发一样，方便地调用硬件资源进行并行加速计算。
最后，就像大家安装Visual Studio一样，我们也会安装一个Python非常受欢迎的IDE——Pycharm，而且是免费的Community版本。
第一步：安装Python以及集成包管理工具Anaconda。
在安装Anaconda时会自带了Python。
1. 进入Anaconda官网 https://www.anaconda.com/，选择Individual Edition
2. 找到Anaconda Installer，选择windows版本，python3.7
3. 下载后运行即可。需要注意的是，安装是需要勾选“将Anaconda添加至环境变量”
4. 测试。打开cmd窗口，输入conda list，会列举我们使用conda工具默认安装的一些包。
或者输入conda --version，显示出conda的版本
如果测试成功，说明anaconda已经安装成功了。
第二步：安装CUDA
需要注意的是，CUDA只能运行在NVIDIA显卡上面，因此我们在进行Deep Learning学习的时候，请确保大家有一张NVIDIA显卡，一般来说，960 970 1060 1070 1050Ti都是可以的，如果预算有限，推荐GTX 1050Ti 4GB，可以运行少量的网络结构，入门是足够的。如果预算足够的话，可以买GTX 1080Ti。
1. 进入CUDA官网Download： https://developer.nvidia.com/cuda-downloads
选择windows平台、x86_64、10、exe(local)，然后下载。
2. 下载下来之后，默认自定义安装即可。安装完成后，CUDA默认安装位置在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin，在此目录下有nvcc.exe，是CUDA语言的编译器。如果可以找到，说明已经安装成功了。
3. 测试。打开cmd命令窗口，输入nvcc -V，可以输出CUDA版本。
4. 如果不识别nvcc命令，那么首先确认上述目录有该文件存在，其次确认环境变量中是否配置。
第三步：PyTorch安装
-
打开PyTorch官网 https://pytorch.org/，选择历史版本1.0.0
-
找到V1.0.0版本，选择Windows，CUDA10.0，复制这条命令，在本地使用管理员权限打开cmd，粘贴这条命令进行执行安装PyTorch。
第四步：安装Pycharm
-
进入Pycharm官网 https://www.jetbrains.com/pycharm/download/#section=windows，选择windows平台，选择Community社区版下载。下载后默认安装即可。
-
打开Pycharm，新建一个工程，注意编译器选择存在的编译器Python3.7,如下图。如果没有可选择的编译器，那么点击右边“…”进行选择。
-
选择Conda Environment，如下图选择anaconda安装目录下的Python.exe作为编译器。
-
创建一个py文件，做一个简单测试。如果运行后出现了如下信息，说明PyTorch安装成功。
至此，我们完成了开发环境的搭建，包括NVIDIA的显卡驱动、CUDA、PyTorch以及Anaconda的安装。