深度学习 #1 —— 环境搭建（基于 Windows）
注：由于写稿时博主已完成搭建，所以部分步骤的截图可能会缺失。
环境搭建可分为三步：
- Anaconda
- CUDA （无英伟达显卡可跳过）
- PyTorch
一、Anaconda
Anaconda 提供了 Conda、Python 等海量科学包，功能齐全、安装简便。
首先进入 Anaconda 官网 下载安装程序。开始安装过程后，切记勾选新建环境变量到 PATH 选项，不然后期手动添加很麻烦。（好吧也不是很麻烦，但能一键完成干嘛手动呢？）
安装完成后就能在开始菜单中找到其文件夹，打开子项 “Anaconda Prompt (anaconda)”
打开后就会出现一个基于命令行的窗口。路径前的 (base) 就是指当前基于 base 环境。接下来创建一个新的环境。切记，请关闭任何代理服务，否则会创建失败。由于写稿时 Anaconda 官网给出的 Python 版本是 3.8，所以博主这里填 3.8。可以替换。
conda create -n python=3.8 然后进入刚刚创建的环境，我们将在这里完成接下来的搭建。
conda activate 然后前面就变成了 (YourName)，代表你已进入你创建的环境。
二、CUDA 加速包 （无英伟达显卡可跳过）
拜托，显卡都能用来挖矿了，这不是说明这个算力非常适合跑深度学习吗？抢空气冲冲冲！
截至写稿前，CUDA 最新出到 11.4，但是由于下一步要安装的程序才支持到 11.1，所以我们从 官网 安装 11.1 版本。
以上安装选项中，最下面 local 和 network 的区别是，前者下载 3.1GB 的安装程序，接下来一切在本地进行；后者下载 59.2MB 的安装程序，接下来需要联网获取那几个G的文件。请自行取舍。
打开安装程序之后无脑下一步即可完成安装。接下来添加环境变量（其实前面 Anaconda 没勾选添加到 Path 那个步骤也差不多）。按照下图进行操作。
上图中右下角出现的界面里，当你的电脑有多用户时，如果你只想给当前用户安装就选择上面那个框的 Path 点击编辑，如果想给所有用户安装那就选择下面框中的 Path 点击编辑。
然后定位到你的 CUDA 的安装目录，将下图这两个路径的地址复制下来。（可以两个都复制，因为冷知识：Win+V 快捷键可以调出剪贴板历史）
然后在环境变量编辑界面点击新建，将那两个路径复制进去。
然后一路确定即可。进入命令提示符或 Anaconda Prompt 输入 nvcc -V，若出现如图反馈则说明 CUDA 安装成功。
三、PyTorch
PyTorch 由 Facebook 人工智能研究院推出，是一个开源的 Python 机器学习库。它提供两个高级功能：
- 具有强大的GPU加速的张量计算（如NumPy）
- 包含自动求导系统的深度神经网络
进入 PyTorch 官网， 在前面那一段文字中选择安装较早版本，因为 1.8.0 较为稳定。
然后在 1.8.0 部分稍微往下拉一点点，选择使用 Wheel 安装，因为装这个成功率较高。如果你的电脑安装了 CUDA 加速，那么选择对应你 CUDA 版本的命令；未安装则选择 CPU。复制一整行命令，然后在你创建的 Conda 环境下右击粘贴执行。然后等待亿会儿即可。
待安装完毕后，安装了 CUDA 的小伙伴可在 Anaconda Prompt 中，在自己搭建的环境下输入 Python 回车，调出 Python 的执行界面。然后输入以下代码：
import torch
print(torch.cuda.is_available())
from torch.backends import cudnn
print(cudnn.is_available())如果两个输出都是 True 则环境搭建完毕，深度学习的第一个挑战成功。
四、测试一下
那么到此，我们就来实际跑一个程序测试一下所创建的环境吧。接下来的代码实现了一个复杂的矩阵运算并用显卡和 CPU 各处理了一次，并能输出两者的时间来直观对比差距。如果没有英伟达显卡只需运行后半部分即可测试环境，如果没有搭好是跑不起来的。
import torch
import time
a = torch.randn(400,600,600).to("cuda:0")
b = torch.randn(400,600,600).to("cuda:0")
start_time = time.time()
for i in range(1,1000):
c = a*b
end_time = time.time()
print("CUDA time: ",(end_time-start_time))
a = torch.randn(400,600,600)
b = torch.randn(400,600,600)
start_time = time.time()
for i in range(1,1000):
c = a*b
end_time = time.time()
print("CPU time: ",(end_time-start_time))
我们打开 Anaconda Prompt，进入自己搭建的环境，然后使用命令
python \ 即可执行本地的 .py 文件。冷知识：直接把任意文件拖进命令行窗口就可以快速粘贴它的绝对路径噢！
执行结果如图所示，可以看到，使用 CUDA 加速后的处理速度比纯 CPU 处理快了上千倍，差距悬殊。博主使用的联想小新 Pro 16 配置是 AMD R7-5800H + 英伟达 GeForce GTX 1650 降频残血版。可以看到，这么一颗堪称轻薄本性能天花板的 CPU，即使面对显卡领域表现并不好的 1650 依然差了不止一个量级，足见显卡强大的运 (wa) 算 (kuang) 能力。
笔记到此结束
感谢大家看到这里，如果喜欢且有帮到你，还请点个赞噢！
另外欢迎关注博主酷安、Bilibili账号，均与 CSDN ID: MSFT_SuperFan 同名，不定期更新数码相关内容！