深度学习环境配置

一、Anaconda安装

下载：从清华大学开源软件镜像下载
镜像网址

出现base即为安装成功：

检查显卡的驱动是否正确安装：

（GPU可以显示出名称）

·GPU0是集显=集成显卡是主板自带的显卡。
·GPU1是独显即独立显卡，是单独的一张显卡，性能一般会比集显要高。

管理环境

用conda指令创建一个pytorch环境

conda create -n pytorch python=3.8

激活

conda activate pytorch

出现的错误：

解决方法：
（1）检查环境变量

path

（2）恢复默认源

conda config --remove-key channels

检查环境中的工具包：

pip list

二、下载cuda

cuda下载链接

环境配置：

检查CUDA是否安装成功：

nvcc -V

进入C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite（或者是自己安装的CUDA路径），将bandwidthTest.exe和deviceQuery.exe拖入到cmd中执行，若结果为都为PASS，表示CUDA的安装与环境变量配置均成功。

三、下载cuDNN

cuDNN下载链接
（1）注册NVIDIA开发者账号
（2）下载

（3）解压下载好的安装包，cudnn-windows-x86_64-8.9.7.29_cuda11-archive.zip，包含三个文件夹。

（4）将三个文件全部复制到cuda安装目录下的同名文件夹中，即可完成安装。

四、下载pytorch

进入虚拟环境pytorch

激活

conda activate pytorch

安装pytorch

pytorch官网

复制安装命令

将指令输入到虚拟环境中，进行安装。

出现的错误：

因为下载时间过长，会自动断开，就会提示连接失败，设置延时1000s。

conda config --set remote_read_timeout_secs 1000.0

再安装pytorch

检查pytorch是否安装成功

输入python进入python环境

import torch

torch.cuda.is_available()

显示True，说明配置成功。

出现错误：

要注意显卡、cuda和pytorch的版本一致。
用清华源安装的版本可能是cpu版本的，要注意！！

检查显卡GPU和驱动版本的方法：

nvidia-smi