深度学习环境搭建( Tensorflow & PyTorch)

深度学习环境搭建( Tensorflow & PyTorch)_第1张图片

前言

硬件配置

基础软件 

1,安装VC_redist.x64

2,安装显卡驱动并确定算力

3,确认cuda版本

4,安装CUDA、配置cudnn

5,安装Anaconda 

6,安装PyCharm

深度学习框架Tensorflow安装

深度学习框架PyTorch安装

软件使用

1,使用notebook新建项目

 2,使用PyCharm新建项目

前言

实践是检验真理的唯一标准!

深度学习本身就是一个多学科的领域,需要大量的理论和数学知识使得真正的理解相对困难;而深度学习框架简化了实现的过程,使我们可以相对直观的感受到深度学习的过程,使我们的学习和开发过程事半功倍。

我们以目前最受欢迎的深度学习框架Pytorch & Tensorflow为例,介绍一下环境的搭建。

硬件配置

深度学习环境搭建( Tensorflow & PyTorch)_第2张图片

基础软件 

1,安装VC_redist.x64

安装VC_redist.x64或直接安装vs2019开发环境(这个安装后必须重启电脑

下载链接:https://docs.microsoft.com/zh-CN/cpp/windows/latest-supported-vc-redist?view=msvc-170

2,安装显卡驱动并确定算力

深度学习环境搭建( Tensorflow & PyTorch)_第3张图片

显卡驱动版本,在nvidia控制面板的系统信息可查询到(或者命令行输入nvidia-smi查询),建议更新到最新版本,这样就不会因驱动版本低而下载CUDA版本受限。

NVIDIA官方显卡驱动下载地址:https://www.nvidia.com/Download/index.aspx?lang=en-us

确定算力

深度学习环境搭建( Tensorflow & PyTorch)_第4张图片

3,确认cuda版本

根据显卡算力和驱动版本确定CUDA版本

查询显卡算力对应的CUDA版本区间:https://zh.wikipedia.org/wiki/CUDA

深度学习环境搭建( Tensorflow & PyTorch)_第5张图片

 根据驱动版本进一步确认CUDA版本区间

深度学习环境搭建( Tensorflow & PyTorch)_第6张图片

CUDA下载地址:https://developer.nvidia.com/cuda-toolkit-archive

显卡算力和显卡驱动版本共同决定你能下载的CUDA版本区间。

例如:我的电脑显卡是NVIDIA GeForce RTX 3080 Ti,算力是8.6,驱动版本512.15;

根据算力可选CUDA版本应大于11.0,根据驱动版本可选择大于11.0的任意版本。

4,安装CUDA、配置cudnn

安装CUDA时选择自定义安装,对比取消显卡驱动的二次安装NVIDIA GeForce Experience

cudnn下载地址:https://developer.nvidia.com/rdp/cudnn-archive

cudnn无需安装,只需要解压后对应复制到cuda安装目录下(其中include和bin文件夹可以直接移动,lib文件夹内容要移动到lib\x64目录下)

深度学习环境搭建( Tensorflow & PyTorch)_第7张图片

 最后打开cmd,键入nvcc -V验证安装效果

深度学习环境搭建( Tensorflow & PyTorch)_第8张图片

5,安装Anaconda 

深度学习环境搭建( Tensorflow & PyTorch)_第9张图片

 下载路径,默认安装https://www.anaconda.com/products/individual

6,安装PyCharm

深度学习环境搭建( Tensorflow & PyTorch)_第10张图片

 下载路径,默认安装https://www.jetbrains.com/pycharm/

至此,深度学习基本环境搭建OK了,接下来就是针对不同的深度学习框架,在Anaconda中创建对应的虚拟环境来安装了。

下面分为Tensorflow和Pytorch两个开发框架来介绍开发环境的安装!

深度学习环境搭建( Tensorflow & PyTorch)_第11张图片

深度学习框架Tensorflow安装

安装tensorflow-gpu

 深度学习环境搭建( Tensorflow & PyTorch)_第12张图片

打开anaconda,创建python环境:

conda info --envs        查看现有环境列表

创建Python环境(基于Tensorflow2.6版本,Python3.9版本创建,命令如下)

conda create --name tf2.6 python=3.9

conda activate tf2.6        进入某个环境

pip list        查看当前环境所有的依赖包

conda search --full --name tensorflow        查看所有发现的版本

命令安装Tensorflow2.6(带GPU功能的版本,安装时使用清华镜像源加速)

pip install tensorflow-gpu==2.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

或者离线安装:控制台打开cd到已下载的文件目录-- 安装

pip install tensorflow_gpu-2.6.0-cp39-cp39-win_amd64.whl

安装完成后开始测试

深度学习环境搭建( Tensorflow & PyTorch)_第13张图片

anaconda环境中安装附加包

激活环境activate tf2.6再安装附加包

pip install opencv-contrib-python==3.4.1.15 -i https://mirrors.aliyun.com/pypi/simple

pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple/

pip install pandas matplotlib notebook -i https://pypi.tuna.tsinghua.edu.cn/simple/

其余需要的附加包,可在用到时进行安装。

深度学习环境搭建( Tensorflow & PyTorch)_第14张图片

深度学习框架PyTorch安装

创建虚拟环境并配置镜像源

(为了防止冲突,pytorch安装自带cuda runtime。所以不需要下载Cuda单纯下载pytorch就可以使用GPU计算了。)

conda info --envs

conda create -n PT1.11 python=3.9

conda activate PT1.11

配置国内镜像源(提高软件下载速度)

命令行输入:命令行自动配置镜像

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --set show_channel_urls yes

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

安装PyTorch

打开pytorch官网,选择对应的配置

https://pytorch.org/get-started/locally/#windows-pip

输入下面命令安装

conda install pytorch torchvision torchaudio cudatoolkit=11.3

验证安装效果

安装完成后,测试环境

深度学习环境搭建( Tensorflow & PyTorch)_第15张图片

安装附加包(同Tensorflow)

软件使用

1,使用notebook新建项目

深度学习环境搭建( Tensorflow & PyTorch)_第16张图片

 2,使用PyCharm新建项目

深度学习环境搭建( Tensorflow & PyTorch)_第17张图片

 深度学习环境搭建( Tensorflow & PyTorch)_第18张图片

 

至此,深度学习框架的开发环境已经搭建完成!

你可能感兴趣的:(深度学习,深度学习,pytorch,tensorflow)