ubuntu,windows系统GPU深度学习pytorch环境安装，按照项目requirement.txt安装（以yolov5为例，驱动，cuda各版本对照避免错误），一篇文章讲清楚种种关系

本教程面向人群

• 面对网上种种安装教程，无法判断哪个是最适合自己机器的安装教程
• 由于在pytorch官网下载速度慢，每次无法正常使用pip，conda语句安装GPU版本的pytorch
• 对conda和pip换源后，下载的pytorch版本不是GPU版本，即采用torch.cuda.is_available()语句为False
• 根据目标项目定制下载pytorch版本
• 实验室电脑需要管理不同学生的项目代码，因此需要创建多个conda虚拟环境不受影响

明确步骤流程

1. 安装anaconda(换源)
2. 安装pycharm（若选用其他ide可忽略此步骤）
3. 判断显卡驱动
4. 搜索项目要求的python，pytorch，torchvision版本
5. conda虚拟环境创建
6. 使用迅雷离线下载whl文件
7. pip安装requirement文件
8. 使用pycharm加载对应的conda虚拟环境

关于cuda和cudnn：GPU版本的pytorch现在在安装时会自带CUDA和cudnn，不需要在外部安装

1. 安装anaconda(换源)

anaconda官网下载

Windows版本

• 下载完成后开始安装，最好安装到非c盘，因为后续环境会下载很多安装包
• 同时安装时，注意把anaconda添加进入环境变量，如下图所示
  

Ubuntu版本

下载后打开终端

使用下面语句对应名称安装即可，运行下面语句时，若不动，需要一直按回车，直到出现yes/no，输入yes，并按回车键继续安装

bash Anaconda3-2021.11-Linux-x86_64.sh

换源

换源操作对各系统都一样，这里换源把conda以及pip都换掉（根据个人习惯，有些人喜欢用pip安装包），加快一些常用包的下载速度

conda换源

//这里仅列举换成清华源，国内源有很多，选一个就好
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/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

//设置搜索时显示通道地址,报错时可以区分哪些包在源里没有或存在问题
conda config --set show_channel_urls yes

//查看现有源
conda config --show channels 

//还原最开始的源
conda config --remove-key channels

pip换源

// 永久设置
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

// 删除永久设置
pip config unset global.index-url

// 临时设置，some-package为下载的库
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

2. 安装pycharm

pycharm官网下载

• 打开网页后根据自身是windows还是Ubuntu（linux）系统进行选择并下载，选择社区版进行下载（免费，功能够用）
  
• Windows下载后直接安装即可，安装非c盘，Windows版本安装完成即可到第三步
• Ubuntu下载后解压，并使用Ctrl+AIt+T打开终端通过输入sh 解压目录/bin/pycharm.sh打开pycharm，并将其添加进入桌面窗口，方便使用
  
  

3. 判断显卡驱动

Windows系统

打开右下角NVIDIA设置，进入NVIDIA控制面板

如果可以打开，并显示了版本号，则说明显卡驱动已经安装完成，如果打不开或者无法显示则需要安装显卡驱动。

进入NVIDIA官网下载最新版官方 GeForce 驱动程序，查找适合你显卡的驱动版本并进行下载

Ubuntu系统

• 软件和更新->ubuntu软件->选择设备的专有驱动
  

• 软件和更新->附加驱动 选择专有驱动，版本越高越好，因为版本都是往下兼容的

• 终端输入：nvidia-smi，可看到显卡相关信息

4. 搜索项目要求的python，pytorch，torchvision版本

由于python版本和pytorch和torchvision和cuda有对应的关系，需要明确项目使用上面版本进行下一步的conda虚拟环境的创建
这里使用当今最火爆的yolov5项目的requirement，作为示例，如下图所示，所要求的pytorch版本为python>=3.7.0 torch>=1.7.0 torchvision>=0.8.1

5. conda虚拟环境创建

conda虚拟环境好处：

• 能够方便我们进行不同项目的管理，不同项目可能使用的库的版本号有所不同，需要创建不同的虚拟环境将其分离
• 在实验室机器上，不同同学使用的代码环境有所不同，使用虚拟环境能够互不干扰

打开Anaconda Prompt软件

//创建名为yolov5的环境,由于第4步中我们知道yolov5 python版本需大于等于3.7
conda create --name yolov5 python=3.7

//使用如下命令即可激活创建的虚拟环境
conda activate yolov5

其他常用conda语句

//查看当前存在哪些虚拟环境
conda env list 

//退出当前环境
conda deactivate

//当前环境安装的包
conda list

//删除某个环境
conda remove -n your_env --all

//复制某个环境
conda create --name new_env --clone old_env

6. 迅雷下载torch等whl包文件进行离线pip安装

在第4步中我们知道了pytorch以及torchvision的版本要求，根据torch，torchvison，python兼容性对照表，我们下载这里选择torch=1.7.0 torchvision=0.8.1进行安装，下载地址，打开下载地址后如下图所示

标黄的字体中其含义如下

• torch-1.7.0：表示 torch版本为：1.7.0
• cu110：支持的cuda(GPU)版本为：11.0，通过在终端输入nvidia-smi可知道电脑最高支持的cuda版本（cuda向下兼容），如果不满足，需要下载高版本的显卡驱动
• cp37：指的是anaconda中的python版本为python37
• win_amd64：用于64位windows系统
• linux_x86_64:适用于Ubuntu系统

用着一样的方法ctrl+F搜索找到对应的torchvision版本为0.8.1，并用迅雷下载

下载完毕后进入第五步创建的conda虚拟环境yolov5中输入以下命令

pip install torch存放位置/torch名称.whl
pip install torchvision存放位置/torch名称.whl

//安装完毕后进行测试
python
import torch
torch.cuda.is_available()
//显示为Ture则能够正常使用GPU运行

7. pip安装requirement文件

接下来就下载yolov5的其他包，首先将yolov5克隆到本地而后用pip安装

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

在使用windows系统安装yolov5中会显示缺乏Visual C++ 14.0，这里有解决方法

8. 使用pycharm加载对应的conda虚拟环境

打开pycharm后按如下步骤进行

结束语：搭建环境是进行深度学习探索的第一步，希望大家通过本文能够快速搭建自身的虚拟环境，有不懂的可以留言，这是我搭配过无数次总结出来的经验教训