Win 11 + RTX3060 的深度学习环境配置

• 填个坑，本文是介绍 Anaconda + PyTorch + Cuda，实现单机的 PyTorch 使用环境的过程，摆脱 Make Your First GAN With PyTorch 中一直使用的 Google Colab。
• Make Your First GAN With PyTorch 的介绍详见 这篇文章。

---

---

趁着双十一，买了一台台式机，专门用来配置深度学习环境。

电脑大概配置如下：

• CPU： Intel® Core™ i7-10700 CPU @ 2.90GHz 2.90 GHz；
• GPU： Nividia GeForce RTX3060；
• OS： Windows 11 家庭中文版

下面简要介绍安装 Anaconda + PyTorch + Cuda 环境的步骤。

1.安装 Anaconda

• Anaconda 是一个用于科学计算的 Python 发行版，支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。

上面这句话，抄自清华开源软件镜像站**（TUNA）**的介绍，也可以直接到这个镜像站下载 Anaconda 安装包： https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 。

双击打开安装包，逐项点击 Next > 进行安装即可：

安装完成后，打开主界面：

这时候，可以选择左上角的 CMD.exe Prompt，打开命令行界面，添加清华的镜像源，提升下载安装速度：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
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 --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/

# 搜索时显示地址
conda config --set show_channel_urls yes

也可以采用清华源介绍的方法进行操作：

• TUNA 还提供了 Anaconda 仓库与第三方源的镜像，各系统都可以通过修改用户目录下的 .condarc 文件进行配置。
• 其中 Windows 用户无法直接创建名为 .condarc 的文件，可先在 CMD.exe Prompt 中执行 conda config --set show_channel_urls yes 生成该文件之后再修改。

.condarc 文件修改内容如下：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

即可添加 Anaconda Python 免费仓库。

• 建议运行 conda clean -i 清除索引缓存，保证用的是镜像站提供的索引。

2.安装 CUDA 和 cuDNN

• 有关什么是 CUDA 和它的重要作用，可以参考这篇文章。

2.1 安装 CUDA

• 避雷点： 目前为止，最新的 CUDA 版本是 11.5，我也先安装了最新版本。但是后面发现 PyTorch 最多支持到 11.3，只好卸载又重新安装了 11.3.0 版本。

点击 链接，找到对应版本（11.3.0）的安装包并下载：

下载后直接双击即可安装：

2.2 安装 cuDNN

cuDNN（CUDA Deep Neural Network library） 是 NVIDIA 推出的针对深度神经网络的加速库。如果要用 GPU 完成深度学些模型训练，一般会采用 cuDNN 库进行加速。

• 有关 cuDNN 的介绍详见： https://developer.nvidia.com/cudn

下载 cuDNN 需要注册会员，完成注册后直接下载即可，注意版本也要跟安装的 CUDA 版本保持一致：

下载后，直接解压，获得下面的文件：

将这些文件直接复制到 CUDA 的安装目录，与原有文件夹合并即可：

3.安装 PyTorch

在 PyTorch 的 官网 靠下的地方，有个选择安装环境的地方：

直接选择对应环境，即可形成相应命令。以我为例，在 Anaconda 的 CMD.exe Prompt 下执行下面命令即可安装：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

4.实验一下

为了验证是否安装成功，我们使用 Make Your First GAN With PyTorch：4.CUDA基础 中的例子进行说明。

在 Anaconda 主界面中点击 Jupyter Notebook，即可新建打开类似于 Google Colab 的 Notebook 环境，新建 Python 3 类型文件，分别输入 Make Your First GAN With PyTorch：4.CUDA基础 的例子，点击运行即可分别获得每个 cell 的运行结果：

对比 In [4] 和 In [6] 的时间输出结果，可以看到在更大尺寸的矩阵相乘上，使用 CUDA 的效率惊人。

同时，In [7] 的输出结果，说明我们的显卡为 NVIDIA GeForce RTX 3060，CUDA 已经开始发挥作用。