Ubuntu16.04下深度学习环境的配置(GPU版)（Anaconda3+Pycharm+Pytorch）
这里我使用的分别是Ubuntu16.04、pytorch1.6.0、anaconda3、pycharm、cuda9.2
在安装之前，有必要解释一下各部分的意义
- 操作系统：linux和windows都属于操作系统。我使用的系统是Ubuntu16.04版本，它是linux家族中使用较多的一种。我这里安装的是双系统，当然你也可以使用虚拟机。关于为什么选择linux系统可以参考这篇文章。双系统和虚拟机的对比可以参考这篇文章。关于双系统的安装有很多教程可以参考，这里不做过多介绍。
- python解释器：python解释器是将python的源码高级语言解析为二进制机器语言的工具，更通俗的讲，它就像是翻译机器。通常说的安装python也就是安装python解释器，如果想运行python代码，就必须安装python解释器。ubuntu16.04自带的版本为python2.7.12和python3.5.2。可以通过在终端中输入
python进入python2环境中，通过python3进入python3的环境中，在python环境中可以直接运行python代码，通过ctrl+d退出python环境。 - pycharm：就像是编辑文档需要用Ｗord，编辑代码也要有专门的编辑器。类似于C++常用的有VS，python也有IDLE、pycharm、jupyter notebook等，这些都被称为IDE（集成开发环境），除了编辑功能外，还集成了很多软件开发过程中需要的工具。
- anaconda：Anaconda不是语言，它只是python的一个集成管理工具，它把python做相关数据计算与分析所需要的包都集成在了一起，我们只需要安装Anaconda软件就行了，其它什么都不用装，包括python软件。Anaconda则是一个打包的集合，里面包含了720多个数据科学相关的开源包，在数据可视化、机器学习、深度学习等多方面都有涉及。不仅可以做数据分析，甚至可以用在大数据和人工智能领域。另外，安装它后就默认安装了python、IPython、Jupyter notebook和集成开发环境 Spyder等等。总之一句话，安装anaconda让我们省去了大量下载模块包的时间，更加方便。
- pytorch：像pytorch、tensorflow、caffe都属于深度学习框架，一套深度学习框架就像是一个品牌的一套积木，各个组件就是某个模型或算法的一部分，你可以自己设计如何使用积木去堆砌符合你数据集的积木。好处是你不必重复造轮子，模型也就是积木，是给你的，你可以直接组装，但不同的组装方式，也就是不同的数据集则取决于你。pytorch的受欢迎程度正在逐渐上升。
- GPU：像目前的一些pytorch、tensorflow都只支持nvidia的显卡（主要是显卡中的GPU起作用），有没有显卡对于pytorch能不能学习并没有影响，显卡主要起到一个训练加速的作用。GPU相对于CPU的速度取决于执行的计算类型，最适合GPU的计算类型是可以并行计算，而神经网络正是高度并行的。
- 显卡驱动：显卡驱动就是用来驱动显卡的程序，它是硬件所对应的软件。驱动程序即添加到操作系统中的一小块代码，其中包含有关硬件设备的信息。有了此信息，计算机就可以与设备进行通信。驱动程序是硬件厂商根据操作系统编写的配置文件，可以说没有驱动程序，计算机中的硬件就无法工作。
- cuda和cudnn：Nvidia是一家设计GPU的技术公司，他们把cuda作为一个软件平台，与他们的GPU硬件配对，让开发者更容易构建软件，利用Nvidia GPU的并行处理能力加速计算。Nvidia的GPU需要使用cuda，而cuda可以从Nvidia的网站上免费下载和安装。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。安装的cuda版本要注意与本机的显卡驱动适配。
到这里，关于配置环境中一些基本概念已经有了一定的认识，下面开始进行ubuntu下深度学习环境的配置。
第一步：安装anaconda
-
下载
下载地址：anaconda官网地址、anaconda历史版本地址
-
安装
下载完成后，进入到下载文件的地址并打开终端，并执行下载好的anaconda文件
$ cd ~/download #你自己的文件路径，我这里下载到了download文件夹下
$ bash Anaconda-4.2.0-linux-x86_64.sh#这里更改为自己的anaconda的文件名
安装过程中提示安装的目录时，按enter键安装到默认目录下，当然也可以自己指定目录。
如果在执行过程中询问是否把Anaconda的bin添加到用户的环境变量中，选择yes！
-
测试是否成功安装
先更新一下环境变量，在终端输入
source ~/.bashrc
然后在终端输入conda list
如果能像上面这样正确运行没有报错，则说明成功安装。成功安装后一般会在命令行的左侧显示一个(base)字样。
第二步：安装Pytorch
-
关于cuda和cudnn的说明
关于显卡的配置主要涉及驱动和cuda Toolkit，后者可以跟着pytorch一键安装(也就是说cuda和cudnn都不需要单独安装)
-
创建一个pytorch的虚拟环境
conda create -n pytorch python=3.８#这里换成对应的anaconda中的python版本,其中的pytorch是创建的虚拟环境的名字，可以创建多个虚拟环境并通过anaconda管理，这也正是anaconda的强大之处
可以通过下面的命令进入到创建的pytorch的环境
conda activate pytorch
-
安装pytorch
下载地址：pytorch官网
这里我选了pytorch1.6.0版本、Linux系统、使用Pip工具、Python语言、cuda9.2（如果没有Nvidia显卡选择None）。选择完成后，会在下面生成一条命令。进入pytorch环境，执行这条命令。
-
测试是否安装成功
进入pytorch环境，键入python进入python界面
测试pytorch是否正确安装，输入
import torch
如果没有报错，则说明pytorch安装成功。
测试GPU是否可以使用，输入：
torch.cuda.is_available()
如果结果为True，则说明pytorch可以正常使用GPU，如果是False，很可能的原因是cuda版本和显卡驱动的版本不兼容，这时需要升级显卡驱动的版本。
-
安装和升级显卡驱动
这是一个令人头大的问题，因为这里不仅要判断显卡的驱动是否安装，还需要保证显卡的驱动版本与cuda的版本适配，必要时要升级显卡驱动。
1.ubuntu中查看显卡型号：
lspci | grep -i nvidia
2.ubuntu中查看显卡驱动的版本（这里显卡驱动的版本为430.26）
nvidia-smi
3.检查cuda版本与显卡驱动的版本是否兼容
下面是cuda和显卡驱动版本的对应关系，如果安装的cuda版本与显卡驱动版本不匹配的话，则需要升级显卡驱动，如果匹配的话，升级显卡驱动这个步骤可以省略。
4.ubuntu中查看显卡驱动是否安装：
首先得安装 mesa-utils，在终端输入命令：sudo apt-get install mesa-utils
然后再运行命令： glxinfo | grep rendering
如果结果是“yes”，证明显卡驱动已经成功安装。
5.如果需要安装显卡驱动或者升级显卡驱动的版本，在nvidia的官网可以根据计算机显卡的型号选择支持的驱动版本，一般选择比显卡晚1~2年的驱动类型为宜可以在NVIDIA官方网站中输入显卡信息后点击开始查找支持的驱动版本，并根据自身需求（pytorch的版本等）选择合适的版本进行下载。
6.升级显卡驱动后续过程可以参考这篇文章。
第三步：安装Pycharm
-
下载
下载地址：pycharm官方网址
进入选择community版进行下载
-
安装pycharm
下载完成后，进入下载的文件夹，点击文件夹提取到这里。
进一步进入此文件夹下的bin目录中，执行下面的命令进行安装
cd pycharm-community-2020.2.2/bin
./pycharm.sh
按照提示进行一步步安装即可
-
在pycharm中配置pytorch环境
在创建工程后，编译环境的选择中，可以选择现存的环境
按shift+enter进入选择环境的界面，选择conda环境，解释器(Interpreter)选择anaconda3下环境变量(envs)中的pytorch环境下的python解释器，点击OK。
-
测试配置环境是否成功
创建好一个工程文件后，新建一个python文件，在其中输入
import torch
print(torch.cuda.is_available())
运行，如果没有报错，且第二条程序返回结果为True，则说明环境配置成功，且可以正常使用pytorch和GPU。
也可以先进入pycharm终端，在其中按如下指令进行，如果执行结果如图片所示，说明环境配置成功。
conda activate pytorch
python
import torch
torch.cuda.is_available()
参考文章
关于anaconda的介绍
为什么深度学习和神经网络需要GPU
cuda和cudnn
ubuntu16.04下安装pytorch
ubuntu下安装pycharm
ubuntu16.04安装Anaconda+Pycharm+Pytorch