从零配置深度学习环境（windows）

概述

深度学习环境部署主要包含以下几个板块：

• 环境管理（Anaconda,miniconda…）

• GPU加速(cuda，cudnn)

• 深度学习框架（Pytorch,tensorflow,华为的Mindspore…）

• 操作交互界面(Pycharm,Visual Studio Code…)

我把配置深度学习环境比作建一栋大楼，我们需要打地基，钢筋混凝土框架，个性化房间布局。。。下面来从头配置深度学习环境。

PS：在配置每一部分时，安装好都要有一步检查测试是否安装成功，这样才能及时发现问题及时更改相应部分。

Anaconda的安装

python是深度学习首选编程语言，但真正想用这个语言做事情呢需要很多工作，比如代码编写，项目管理，编译器，脚本运行，各种库的下载部署，环境版本管理，最好再来点自动缩进，语法纠错，智能填词等各种方便的功能。**Anaconda就把这些繁琐的东西全给你准备好了。**所以我们得先下载Anaconda来部署我们将要配置的深度学习环境。

下载Anaconda

注：在Anaconda安装的过程中，比较容易出错的环节是环境变量的配置，所以大家在配置环境变量的时候，要细心一些。

**步骤一：**输入链接“https://www.anaconda.com/”登录Anaconda官网。

**步骤二：**选择Windows版本“64-Bit Graphical Installer(510 MB)”进行安装。（根据自己电脑的系统）

**步骤三：**双击“Anaconda3-2021.11-Windows-x86_64.一路点击next,agree

**步骤四：**设置Anaconda的安装路径，**路径名称最好为全英文，**随后点击“Next”。

步骤五：点击“Install”。这里就不选择自动将Anaconda添加到系统路径了（因为我之前安装Anaconda的时候都是手动添加路径，使用的时候没有出现过问题

**步骤六：**一路点击“Next”，直到Finish

步骤七：接下来就是手动配置环境变量了（比较关键）

由于每台电脑打开环境变量的操作可能不同，所以本文仅以本电脑打开环境变量的步骤进行讲解。打开环境变量：双击桌面“此电脑”，右键选择“属性”，随后在打开的页面点击“高级系统设置”，点击环境变量。

在**系统变量（一定要看清，是系统变量，不是用户变量）**一栏中，找到“Path”（这个Path不同电脑的书写可能不一样，所以根据自己电脑上的来，我这里是Path，但其它的电脑可能在大小写上有区别）。

双击“Path”，并点击新建。

输入以下信息(Anaconda安装路径要根据自己当时安装Anaconda的路径来):

Anaconda安装路径

Anaconda安装路径\Scripts

Anaconda安装路径\Library\bin

(上图中的内容仅是个人安装路径的配置，大家配置的时候，只需要更改“Anaconda安装路径”，改成自己的路径)，输入完三条变量后，点击确定。

步骤八：检查是否安装成功

**（1）**打开cmd。

**（2）**输入“conda --version”

**（3）**输入“conda info”

（4）输入“activate”，回车，之后再输入“python”。

若显示的内容均与上图相同或类似，这说明环境变量配置成功。

至此，Anaconda的安装就完成了。

cuda,cudnn安装

安装这一块儿的目的是为了给深度学习网络调用GPU显卡，提供并行计算能力，加快网络运算速度。下面是要安装的各部分解释。

显卡：一块焊了GPU 芯片的电路板，上面还有电容电阻以及其他辅助芯片。 因为有些复杂计算 CPU 效率太低了，所以放在 GPU 中执行运算。类比的， cpu主板也就是一块焊了 CPU 、辅助芯片、电容电阻的电路板。至于独立显卡与集成显卡的概念，自己查吧。

显卡驱动 ：GPU 是硬件，操作系统怎么识别并与它传输数据呢？这就需要在操作系统上装显卡驱动了。目前 GPU 厂商国外有 inter、nvidia、amd三家巨头，国内有景嘉微、中船重工等厂商。不同厂商的 GPU 都有各自的显卡驱动，因为还要适配操作系统，所以每个型号的 GPU 都有 windows 和 linux 两套版本的显卡驱动。

CUDA：GPU 的运算能力很强大，如果只用在做简单的、特定的计算任务那就有点亏。但是直接操作 GPU 难度又有点高，英伟达就设计了一个 GPU 的通用计算框架构（框架）：cuda，并且开发实现 cuda 意图的完整的工具：CUDA Toolkit。这个 CUDA Toolkit 中包含了英伟达 GPU 的驱动程序、cuda库函数、编译器等等等等。那它能做什么呢？1：调用CUDA Toolkit 里面的cuda api 就能直接操作 GPU；2：CUDA Toolkit 里面的一些工具能将 pytorch 语法编译成 GPU 可识别的指令，pytorch 底层是 C++ 实现的。英伟达设计的 cuda 的目的就是做 GPU 的通用计算平台，开发者只需要使用 cuda api 或者 cuda可翻译的语言写程序，就能实现操作 GPU，这大大降低了使用门槛。正如不是所有的奶都叫特仑苏，也不是所有的 GPU 都支持 cuda 。 cuda 是英伟达设计并实现的，所以只支持 NVIDIA GPU。

CUDNN：这是一个专门针对深度学习领域的软件库，它里面提供了一些函数能够加速卷积神经网络的运算。它也只支持 NVIDIA GPU，这么做的原因很简单，cuda+cudnn，想搞深度学习大概率只能买 NVIDIA GPU。

这一部分的安装详见此博客

安装Pytorch

深度学习框架：各种互联网大厂在 cuda + cudnn 的基础上设计的框架。二十多层的网络架构，调用 pytorch 只需要配置入口参数一行代码就搞定了，自己使用底层语言搭模型，难度大，费时间不说，关键还不一定能 work。TensorFlow、Ptorch 的只需要会 python 就行，至于搭网络，一行代码搞定。框架的出现更是降低了开发者的使用门槛，一批一批的人前赴后继地入坑。

经历了以上几步，我们终于配置好了显卡的驱动相关，接下来我们开始安装pytorch。首先需要创建一个虚拟环境（相当于建一个你自己的小房间，里面怎么安装库，模块都不会影响大环境，方便后续环境的管理），然后进入我们创建好的的pytorch环境，输入以下命令：

创建名叫pytorch的虚拟环境：

conda create -n pytorch python=3.9

进入pytorch虚拟环境：

conda activate pytorch

然后安装pytorch（关键）：

1、打开pytorch官网，即https://pytorch.org/，点击“install”，然后进入版本的选择页面。

PS:注意这里cuda的版本与你自己的要对应，向下兼容，比如你是cuda11.6，你可以选11.4

2、然后将下面这条Command命令复制。
3、运行Anaconda prompt，并将刚刚这条命令粘贴到控制台上。即可安装。
4、安装过程可能因网络问题失败，可以升级清华源镜像后再安装

[参考这篇文章]:

步骤二：测试是否安装成功

即首先用conda activate pytorch进入pytorch（这里的pytorch是你创的虚拟环境名字，可自定义）虚拟环境，然后在终端输入python进入python界面,分别输入：

import torch
torch.cuda.is_available()

深度学习网络配置（以yolov5为例）

在完成上面几步以后，恭喜你，就算完成90%啦。

步骤一：进入你刚刚配置好的虚拟环境

步骤二：cd到你的网络目录

以yolov5为例子，下载地址：https://github.com/ultralytics/yolov5，放在合理的位置

我这里放在了D盘的yolov5-master，ls一下看看有没有requirements.txt文件。

步骤三：安装网络需要的相关依赖库

一键安装：pip install -r requirements.txt

步骤四：验证

等待安装完成，运行范例检测是否成功。输入命令：python detect.py

如上图所示，成功运行YOLOv5网络，结果图片保存到了runs/detect/exp3里。

Congratulations!!!至此，基于pytorch框架的yolov5环境配置成功！下一步就是如何准备你自己的带标签数据集，训练网络，评估训练结果，个性化修改网络等等。

关于yolov5如何训练自己的数据集参考这篇文章：