Windows下配置带有GPU深度学习环境 pycharm+anaconda+pytorch+GPU（不单独安装cuda和cudnn）

1.确定自己的硬件信息

• 确定电脑是否有英伟达（NVIDIA）显卡(如果没有此教程后续做不了）
  方法一：
  任务管理器-性能-GPU-查看是否有NVIDIA字眼
  

方法二：
win+x-设备管理器-显示适配器

有时候可能独显没有启用通过方法一是无法看到独显的，这个时候是需要自己手动点击独显进行启用，这样后面是深度学习任务才可以正常使用NVDIA的GPU

• 集显：任务不大一般电脑都采用集显
• 独显：性能更好一点任务大电脑会自动进行独显运行
• 当然可以设置任务都采用独显或者个别软件采用集显个别采用独显
  这里可以用NVIDIA控制面板进行设置
  

这里一般不设置因为跑深度学习任务我们有专门指令可以指定GPU进行数据的处理，一般不用设置，但是玩游戏什么的可以自己设置

• 如果自己没有NVIDIA GPU的当然也可以采用CPU跑数据但是效率没有那么快

2.下载Anaconda

Anaconda历史版本下载地址
建议不要下载最新版本，下载前几年的版本，因为新版本会因为兼容性问题出现差错，不好解决
具体安装过程这里不多赘述，可以参考超详细Anaconda安装教程

3.利用conda或者pip安装PyTorch

3.1创建一个虚拟环境（比如叫做xiaozhaopytorch）

#利用conda create 指令创建新的虚拟环境
conda create -n 虚拟环境名字 python=版本

#添加镜像加速
conda create -n 虚拟环境名字 python=版本 -c 镜像地址

3.2算力、CUDA Driver Version 、CUDA Runtime Version

3.2.1首先确定自己显卡的算力-确定自己的显卡型号

确定自己硬件信息时可以看到NVIDIA显卡的信息例如：NVIDIA GeForce GTX 1650，在对照上图查看自己的算力，比如我的就是7.5，记住这个算力

如上图可以看到我的支持CUDA10.0-11.7

3.2.2查看自己的驱动CUDA Driver Version

win+R+cmd 输入nvidia-smi

可以看到我的CUDA Driver Version为11.7

3.2.3确定自己可以选择的CUDA Runtime Version（也就是我们对应pytorch官网上的CUDA）

确保自己的CUDA Runtime 版本<= CUDA Driver 版本
例如我的这个就要求CUDA Driver版本小于等于11.7
最终确定我们适用于10.0-11.7的CUDA

更为简单的操作
1.安装NVIDIA显卡驱动最新版本

选择好后进行下载安装就行，安装过程不需要注意什么全程按照要求安装就OK
安装完以后再进行nvidia-smi就可以看到最新的CUDA Driver版本
2.打开PyTorch官网，选择小于11.7的CUDA版本就OK

3.3安装PyTorch

1.在上步创建的虚拟环境中安装PyTorch（安装PyTorch，需要安装pytorch、torchvision、torchaudio三个包）

得到指令
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

4.验证PyTorch是否安装成功

1.conda activate 虚拟环境名
2.输入conda list 看看有没有pytorch或者torch包
3.输入python
4.输入import torch
5.输入torch.cuda.is_available()
6.如果显示为True，说明PyTorch安装成功了

也可以直接在最后pycharm对于虚拟环境中直接输入如下代码进行验证

import torch

print(torch.__version__)
print(torch.cuda.is_available())

x = torch.randn(1)
if torch.cuda.is_available():
    device = torch.device("cuda")
    y = torch.ones_like(x, device=device)
    x = x.to(device)
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))

结果为：

1.10.2
True
tensor([2.0444], device='cuda:0')
tensor([2.0444], dtype=torch.float64)

5.安装PyCharm并进行配置

1.下载PyCharm
2.安装也不多赘述可以找下教程不难
3.配置合适的python解释器（虚拟环境）

6.跑实例查看GPU使用率

直接上代码

from sklearn
import datasets from sklearn.model_selection 
import train_test_splitimport torch
import torch.nn as nnimport torch.nn.functional as F
# 加载数据boston = datasets.load_boston()
X, y = (boston.data, boston.target)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, 
random_state=0)
# 组合训练数据及标签myset = list(zip(X_train, y_train))
# 把数据转换为批处理加载方式批次大小为128,打乱数据from torch.utils import datadevice = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
dtype = torch.FloatTensortrain_loader = data.DataLoader(myset, batch_size=128, shuffle=True)
# 定义网络class Net1(nn.Module):   
"""    使用sequential构建网络，Sequential()函数的功能是将网络的层组合到一起    """   
def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):       
    super(Net1, self).__init__()        
    self.layer1 = torch.nn.Sequential(nn.Linear(in_dim, n_hidden_1))        
    self.layer2 = torch.nn.Sequential(nn.Linear(n_hidden_1, n_hidden_2))       
    self.layer3 = torch.nn.Sequential(nn.Linear(n_hidden_2, out_dim))    
 def forward(self, x):       
    x1 = F.relu(self.layer1(x))      
    x1 = F.relu(self.layer2(x1))      
    x2 = self.layer3(x1)        
# 显示每个GPU分配的数据大小      
print("\tIn Model: input size", x.size(), "output size", x2.size())     
return x2if __name__ == '__main__':   
# 把模型转换为多GPU并发处理格式    
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")    
# 实例化网络    
model = Net1(13, 16, 32, 1)   
if torch.cuda.device_count() > 1:        
    print("Let's use", torch.cuda.device_count(), "GPUs")       
# dim = 0 [64, xxx] -> [32, ...], [32, ...] on 2GPUs        
model = nn.DataParallel(model)    
model.to(device)   
# 选择优化器及损失函数   
optimizer_orig = torch.optim.Adam(model.parameters(), lr=0.01)  
loss_func = torch.nn.MSELoss()   
# 模型训练，并可视化损失值    
# from torch.utils.tensorboard import SummaryWriter    # writer = SummaryWriter(log_dir='logs')    for epoch in range(100):       
model.train()        
for data, label in train_loader:          
input= data.type(dtype).to(device)         
label = label.type(dtype).to(device)           
output = model(input)         
loss = loss_func(output, label)      
# 反向传播          
optimizer_orig.zero_grad()         
loss.backward()          
optimizer_orig.step()         
print("Outside: input size", input.size(), "output_size", output.size())       
# writer.add_scalar('train_loss_paral', loss, epoch)

代码借鉴：https://blog.csdn.net/smile1231385/article/details/122385373?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultbaidujs_title~default-0-122385373-blog-111661128.pc_relevant_multi_platform_whitelistv1_exp2&spm=1001.2101.3001.4242.1&utm_relevant_index=3

只要NVIDIA显卡对应的GPU使用率百分之多少动了(例如我的就是GPU0达到3%，平时都是0%）就表示完全配置好深度学习环境了！
如上较多内容借鉴参考我是土堆up主相关教程!