机器学习与深度学习工具Python、Pytorch、PyCharm、CUDA、Cudnn安装大全_超全面、简单有效快速、避免踩坑_不使用Anaconda

      

         最近恢复了一下操作系统，很多安装程序都没了。
        想起Pytorch、Cuda和Anaconda安装时会出现一些问题，就将安装工具包的简单有效快速的方法分享一下，避免踩坑。

         由于篇幅太长，故分为两篇文章。

         本文介绍不使用Anaconda的安装方式（毕竟Anaconda占用空间大，很多人不喜欢）。

         下文介绍使用Anaconda放到安装方式。

本文目录

    一、安装Python

          1、下载地址

          2、版本选择

          3、下载

          4、安装（选择自动添加Python环境变量）

          5、配置环境变量

          6、验证是否安装成功

   二、IDE（PyCharm或Visual Studio Code）

   三、安装CUDA

        1、查看NVIDIA驱动程序版本

        2、CUDA下载地址

        3、选择CUDA版本

        4、安装CUDA程序包

        5、配置CUDA环境变量

        6、验证CUDA是否安装成功

  四、安装CuDNN

        1、下载

        2、安装

        3、配置环境变量

        4、验证是否安装成功

   五、安装Pytorch（或TensorFlow）

         1、下载地址

         2、自动下载安装版本选择及命令

         3、手动下载安装版本选择

         4、手安装版

         5、验证是否可以使用

         6、安装位置查询

         7、Tensorflow下载网址

        

  

 

简述：

      1、Python机器学习常用语言，开发环境IDE一般为PyCharm或VScode。

      2、PyTorch

        PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。

2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，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。

        PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。

PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用 。

          3、CUDA

        CUDA 是 NVIDIA 发明的一种并行计算平台和编程模型。它通过利用图形处理器 (GPU) 的处理能力，可大幅提升计算性能。

        CUDA Toolkit (nvidia)是CUDA工具安装包，包括 CUDA 编译器（nvcc）、IDE、调试器等，CUDA 程序库文件。

         4、CuDNN、

       深度学习软件库、

一、下载与安装Python

1、下载地址

下载Python的官方网址是：Python Source Releases | Python.org

进入官网后可以见到如图：

2、版本选择

选择“Looking for a specific release? （正在选择某个特定版本吗？）“栏目下载想要的Python版本。

这里选择Python3.10.9，点击”Download“按钮。

页面跳转后，往下拉。一直找到”Files”栏目。

3、下载

Linux操作系统需要下载的版本：

Gzipped source tarball

CentOS操作系统需要下载的版本：

XZ compressed source tarball

小提示：

其实Linux和CentOS自带python，不用再下载python。

Mac操作系统需要下载的版本：

macOS 64-bit universal2 installer

Windows操作系统需要下载的版本：

  

Windows embeddable package (32-bit)

Windows 32位操作系统解压安装版。下载的是一个压缩文件，解压后即表示安装完成。

  

Windows embeddable package (64-bit)

Windows 64位操作系统解压安装版。下载的是一个压缩文件，解压后即表示安装完成。

  

Windows installer (32-bit)

Windows 32位操作系统直接安装版。下载的是一个直接安装程序。

  

Windows installer (64-bit)

Windows 64位操作系统直接安装版。下载的是一个直接安装程序。

   

（推荐下载）

目前大部分电脑的操作系统Win7/Win10/Win11基本上是64位居多。

  

关于版本的选择：

将鼠标放到电脑的“此电脑”（即我的电脑）位置，右键点击“属性”，弹出界面查看操作系统信息，比如：“64 位操作系统, 基于 x64 的处理器”，则选择“Windows installer (64-bit)”下载。

   

   

4、安装：

（1）双击下载好的python-3.10.9-amd64安装程序。

关于版本中amd64的说明：

64位分为amd64和em64t，64位通常是指是AMD公司的64位CPU，AMD64位CPU是64位兼容32位运算，而INTEL的EM64T是32位兼容64位运算。

勾选for all users。

（2）勾选自动加到环境变量中，即勾选“ Add Python 3.10 to PATH”。

（3）选择“Install now “默认安装（一般安装在C盘）。

安装过程比较自动化，一路点击next即可。

（4）如果不想安装在C盘，则可以选择自定义安装“Customize installation” 。

Optional Features全选，因为之后都用得到。

Advance Options中，

这三项要选，其它的看选不选无所谓，看个人喜好。

勾选自动加到环境变量“Add Python to environment variables”，后面则不需要再配置环境变量。

在“Customize Location”选择安装地址。

点击“next”；

点击“install”。

5、配置环境变量

若安装的时候已经勾选自动添加环境变量，则不需要再配置环境变量。

若安装的时候忘记勾选自动添加环境变量，也可以手动添加环境变量。

右键点击“此电脑（我的电脑）”——选择“属性”——选择“高级”——选择“环境变量”——选择“系统变量”（不是用户变量）。

找到系统变量（不是用户变量）的path，点击系统变量（不是用户变量）编辑path。

有些电脑的环境变量如上图所示没有呈列状显示，而是成一行显示。这很不好查看里面都有哪些环境变量。

如何将其修改成呈列表状态显示呢？

以64位的Win11操作系统为例，在系统环境变量的Path栏的最开头加一个系统变量即可：C:\Windows\System64

确定后，再次点击编辑环境变量，则呈列状显示：

找到刚刚Python的安装位置，比如安装位置为D:\Program Files(x64)\Python。

则点击Path，点击编辑。

在编辑环境变量界面下点击新建。

则将以下两段信息添加到系统环境变量的Path中，各个变量以英文格式的分号（;）隔开。

D:\Program Files(x64)\Python;

D:\Program Files(x64)\Python\Scripts;

点击确认。

再点击确认（记得再次点击确认，否则就没有添加成功）。

点击确认。

6、验证是否安装成功

按住键盘上的Windows（微软logo）按键 + R按键，在运行命令界面输入cmd，打开运行窗口。

在运行窗口界面输入“python”。

显示Python的版本号为3.10.9，则表明安装成功。

或者：进入python的安装地址，找到名为“python”的exe文件。

双击若出现如下python版本号信息。

则安装成功。

查看Python安装列表：

在运行命令窗口输入命令：python -m site

发现了一个问题：

显示Python的用户安装包基础路径和用户安装包站点路径显示不存在。

USER_BASE: 'D:\\Program Files\\Python' (doesn't exist)

USER_SITE:' D:\\Program Files\\Python\\Scripts\\Python310\\site-packages' (doesn't exist)

在运行命令窗口输入：

set PYTHONUSERBASE=D:\\Program Files\\Python

可解决。

或者，打开安装的Python文件位置：

D:\Program Files(x64)\Python\Lib

找到一个名称未site.py的文件，用IDE打开。

可以看到，用户安装包基础路径和用户安装包站点路径都没有路径。

USER_SITE = None

USER_BASE = None

将其修改为：

USER_SITE = 'D:\Program Files(x64)\Python\Lib\site-packages'

USER_BASE = 'D:\Program Files(x64)\Python\Scripts'

再次查看Python安装列表：

在运行命令窗口输入命令：python -m site

显示Python的用户安装包基础路径和用户安装包站点路径显示已经存在。

二、IDE安装

1、Pycharm下载地址

PyCharm：JetBrains为专业开发者提供的Python IDE

Pycharm安装比较自动化，就不过多讨论了的。

2、也可以在微软官方下载Visual Studio Code安装，都比较自动化。

三、安装CUDA

1、查看NVIDIA驱动程序版本

在开始程序输入“NVIDIA控制面板”，之后点开“NVIDIA控制面板”。

点开“系统信息”。

点开“组件”。

查看支持的CUDA版本。这里显示是CUDA11.7.99，因此只要等于或低于CUDA11.7版本就可以下载。

查看驱动程序版本：

在开始程序输入“NVIDIA控制面板”，之后点开“NVIDIA控制面板”。

点开帮助界面后，点击“系统信息”

注意：CUDA11.6版本之后不再提供CUDA Samples安装文件。

官网说明：https://docs.nvidia.com/cuda/cuda-samples/index.html

As of CUDA 11.6, all CUDA samples are now only available on the GitHub repository. They are no longer available via CUDA toolkit.

GITHUB网页的CUDA Samples下载地址：

GitHub - NVIDIA/cuda-samples: Samples for CUDA Developers which demonstrates features in CUDA Toolkit

2、CUDA下载地址。

CUDA官网下载地址：CUDA Toolkit Archive | NVIDIA Developer

Cuda版本选择参考：

https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

NVIDIA GPU算力查询：

Compare GeForce Gaming RTX 30 Series Laptops | NVIDIA

3、选择CUDA版本

这里选择CUDA11.6.0版本（只要和电脑所支持版本一样或更低版本的就可以）。

选择Windows版；

选择x86_64位；

选择11（cuda版本）；

选择exe(local)：下载到本地；

因为网速问题，所以，尽量不要用exe(network)在线安装。

选好后点击Download。

4、安装CUDA程序包

双击已下载好的CUDA，以管理员身份运行。

可以更改存放临时解压安装工具包位置。

温馨提示：

这是存放临时解压CUDA安装工具包的位置，还不是真正的程序安装位置。

点击“继续”

点击同意并继续。

这里选择“自定义”，有两个好处：

一是安装位置可以自己指定。

二是安装内容自己选择。

这里只勾选CUDA。

CUDA安装组件可全选。

因为其它内容一般在电脑出厂时已经有内置的了。

比如，我们打开看看：

GeForce Experience、PhysX、Display Driver等肯定在控制面板的安装程序中可以查看到，而且是最匹配的，没必要去更换。

来了，这才是真正的CUDA程序安装位置。

请记下这几个安装位置，因为后面配置环境变量需要用到。

安装目录按默认，最好不要修改，修改可能会导致后续开发报错。

安装位置一个是Program Files，一个是ProgramData（放samples）。

温馨提示：

       即便假如要更改安装位置路径，记得不能和刚刚存放临时解压CUDA安装工具包的位置相同。不然的话，安装完成之后，整个程序的安装文件夹都找不到了。因为临时存放解压CUDA文件夹在安装完之后会自动删除的；

安装的时候屏幕会刷新几下，没关系的。

点击下一步。

安装完后，如果没有报错，一般都已经安装好了。

    5、配置CUDA环境变量

一般CUDA_PATH和CUDA_PATH_V11_6的环境变量会自动配置。

系统变量名	变量值
CUDA_PATH	C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6
CUDA_PATH_V11_6	C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6

如下：

添加系统变量操作：

点击系统变量界面的新建按钮，输入：

变量名	变量值
CUDA_SDK_PATH	C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.6
CUDA_LIB_PATH	%CUDA_PATH%\lib\x64
CUDA_BIN_PATH	%CUDA_PATH%\bin
CUDA_SDK_BIN_PATH	%CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH	%CUDA_SDK_PATH%\common\lib\x64

注意：输入系统变量CUDA_SDK_PATH变量名的变量值时，是输入前面安装CUDA时的CUDA Samples的安装位置。

后面四个系统变量不用看安装位置，直接复制粘贴即可。

现在添加系统环境的Path变量。

点击系统变量的Path，再点击编辑。

打开后点击新建。

添加下面四个PATH变量：

%CUDA_BIN_PATH%

%CUDA_LIB_PATH%

%CUDA_SDK_BIN_PATH%

%CUDA_SDK_LIB_PATH%

确认。

有了。

之后依次在二个界面点确认、确认。

6、验证CUDA是否安装成功

用Windows键 + R键打开运行命令界面，输入cmd，打开运行窗口。

输入nvcc --version或nvcc -V

成了。

四、安装CuDNN

1、下载

官网下载地址：https://developer.nvidia.com/rdp/cudnn-download

备注：下载Cunn先要注册一个账号，点击Register Free注册一个即可。

很快就可以完成注册账号。注册号账号登录后，找到自己对应的CUDA版本。

勾选I Agree To the Terms of the cuDNN Software License Agreement

点开: Archived cuDNN Releases

跳转至如下页面：

cuDNN Archive | NVIDIA Developer

因为刚刚下载的是CUDA11.6，所以选择一个for CUDA11.X即可。

2、安装

与其说是安装，倒不如说是将下载的cudnn文件内容放到CUDA开发环境下。

打开文件夹。

里面有三个文件夹和一个许可（license文件）。

将bin、include、lib这三个文件夹一起选中复制后，放到一个文件夹里面，并将这个文件夹命名为”Cudnn”。

再将这个包含有bin、include、lib三个文件夹的cudnn文件夹放到CUDA的安装程序文件夹：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6

是刚刚放Documentation和Development的CUDA开发环境文件夹的v11.6文件夹，不是放到CUDA Samples的11.6文件夹。

3、配置环境变量

点击系统变量的Path后，点击编辑。

打开后点击新建，添加两个Path变量。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\CUPTI\lib64

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\cudnn\bin

4、验证是否安装成功

一个方法是用安装好的CUDA文件夹 bandwidthTest.exe和deviceQuery.exe文件。

这两个自带的文件都在CUDA开发环境文件夹里面：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\demo_suite

照旧，用Windows键 + R键打开运行命令界面，输入cmd，打开运行窗口。

再用cd命令定位到目标路径，再在该目标路径下输入如下两个命令。

.\bandwidthTest.exe

.\deviceQuery.exe

即在运行命令窗口输入如下命令：

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\demo_suite

.\bandwidthTest.exe

.\deviceQuery.exe

打开运行命令窗口后，输入：

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\demo_suite

再输入：

.\bandwidthTest.exe

显示Result = PASS

再输入：

.\deviceQuery.exe

显示Result = PASS

说明安装成功了。

五、安装Pytorch（或TensorFlow）

1、下载网址

官网地址：PyTorch

安装包下载地址：https://download.pytorch.org/whl/torch_stable.html

2、自动下载安装版本选择及命令

（1）pip指令

最新显示的是CUDA11.7和CUDA11.8版本。

电脑没有GPU的，则安装CPU版。

若需要其它较早CUDA版本可点击下面红框位置。

这里选择CUDA11.6版本

 pip安装指令为：

pip install torch==1.12.1+cu116 torchvision==0.13.1+cu116 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu116

3、手动下载安装版本选择

（建议先下载到本地，再安装，避免中途掉线导致重复安装）

（1）官网下载地址：

https://download.pytorch.org/whl/torch_stable.html

（2）国内清华开源软件镜像站下载地址：

Simple Index

  （3）下载版本适配建议

https://github.com/pytorch/vision#installation

总共要下载三个文件：

torch版本号：1.12.1

torchvision版本号：0.13.1

torchaudio版本号：0.12.1

下载红框torch安装包（下图标注了文件代号的含义）：

下载红框torchvision安装包（下图标注了文件代号的含义）：

下载红框torchaudio安装包（下图标注了文件代号的含义）：

  下载后，将所下载的安装文件放到python安装程序目录当中的Scripts文件夹。、

比如，如果Python是安装在这样的目录下：D:\Program Files(x64)\Python\Scripts

然后，进入到D:\Program Files(x64)\Python\Scripts文件夹里面，在鼠标右键点击“在终端中打开”，打开Powershell。

4、安装

在Powershell窗口中输入：

pip3 install torch-1.12.1+cu116-cp310-cp310-win_amd64.whl

一两分钟后就会出现Successfully installed torch-1.12.1+cu116

说明安装成功。

5、检测是否可以使用

在运行程序输入cmd，进入运行命令窗口中，输入:python

再输入：import torch

再输入：torch.cuda.is_available()

若结果为True，则Pytorch可用了。

其它两个文件Torchvision和Torchaduio的安装方法如法炮制：

在Powershell窗口中输入：

pip3 install ttorchaudio-0.12.1+cu116-cp310-cp310-win_amd64.whl

pip3 install torchvision-0.13.1+cu116-cp310-cp310-win_amd64.whl

6、安装位置查询

一般安装的Python安装文件夹里的一个叫site_packages的文件夹里面。比如：D:\Program Files(x64)\Python\Lib\site-packages

7、Tensorflow下载网址

Pytroch和Tensorflow差不多的。

已经安装了Pytorch就不用安装Tensorfow了。

不过，如果有特别希望Tensorflow而不喜欢Pytorch的。

可在清华免费软件镜像站下载：

https://pypi.tuna.tsinghua.edu.cn/simple/tensorboard/

参考文献：

Installing on Windows — Anaconda documentation

Installation — pytorch_geometric documentation

https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

https://www.nvidia.com/en-us/geforce/laptops/compare/30-series