深度学习 Tensorflow 与 Pytorch 环境搭建

1 先决条件

查看电脑 GPU 型号：win+R 打开 cmd，输入 nvidia-smi 运行

其对应的 CUDA 版本号为 12.6，那么12.6版本及其之前版本的 CUDA都是可以安装的。

根据电脑 GPU 的型号，从官网 https://developer.nivdia.com/cuda-gpus 确认你电脑 GPU 所支持对应的 CUDA 和 CUDNN 版本号。

网上有许多安装方法大同小异，这里不再赘述，这里我选择的如下：

CUDA 版本号为 11.1;

CUDNN选择历史版本（Archived cuDNN Releases →Download CUDNN v8.2.1 (June 7th, 2021), for CUDA 11.x → cuDNN Library for Windows (x86)）;

安装Anaconda或者miniconda,python版本3.8或高于3.8;

Tensorflow 2.4、Pytorch 1.8。

（谨记你所选择安装的所有版本号一定要对应！！！）

2 Tensorflow2.4

2.1 Tensorflow2.4环境创建

首先通过Anaconda创建虚拟环境: py3.8-tf2.4，用来搭建Tensorflow2.4 深度学习平台。具体操作步骤如下：

打开 Anaconda Prompt 或 win+r→cmd 命令窗口，输入以下命令并回车，

​​​​​​​conda create –n py3.8-tf2.4 python==3.8

其中“py3.8-tf2.4”为将用来搭建搭建 Tensorflow2.4 平台的虚拟环境名称，“3.8”为新环境对应的 python 版本。

上图说明，已在 Anaconda上创建好一个名为“py3.8-tf2.4”的虚拟环境，并可以使用命令来激活该环境。

conda activate py3.8-tf2.4

可以通过以下命令来删除虚拟环境及环境中所有的包。

conda env remove -n py3.8-tf2.4

2.2 Tensorflow2.4 环境搭建

（1）激活 py3.8-tf2.4 虚拟环境 

在 Anaconda Prompt 窗口，输入“conda activate py3.8-tf2.4”回车，来激活该环境。

（2）在 py3.8-tf2.4 虚拟环境下安装

激活 py3.8-tf2.4 环境后，我们使用豆瓣源通过如下 pip 命令一次性安装 tensorflow2.4平台所需要的所有资源。

pip install numpy pandas matplotlib scikit-learn notebook tensorflow-gpu==2.4.0 -i Simple Index

（3）安装 ipykernel 包

上面步骤安装完后，考虑别到要使用 jupyter notebook 为深度学习编译器，则需要安装 ipykernel包。

进入 Anaconda Prompt窗口，激活 py3.8-tf.2.4 环境，输入:

conda install ipykernel

（4）测试 tensorflow

进入 Anaconda Prompt 窗口，激活 py3.8-tf.2.4 环境,输入:

jupyter notebook

回车，系统会以默认浏览器方式代开 jupyter 编辑器，点击【new】按钮，新建一个 jupyter 文件。下面测试 tensorflow 的 cpu 及 gpu 性能。

①输入如下代码，测试 gpu 是否可用。

import tensorflow as tf  
  
gpus = tf.config.list_physical_devices('GPU')  

if gpus:  
    print("GPU is available.")  
else:  
    print("GPU is not available.")

输出：GPU is available 即可用。

若安装成功却不可用，也许是这个问题：

could not load dynamic library cusolver64_11.dll

打开目录：

将cusolver64_10.dll文件复制重命名为cusolver64_11.dll

重新运行，返回ture，安装成功并可调用GPU。

输入如下代码，比较 cpu、gpu 的计算效率

import tensorflow as tf
import timeit
 
with tf.device('/cpu:0'):
    cpu_a = tf.random.normal([10000, 1000])
    cpu_b = tf.random.normal([1000, 2000])
    print(cpu_a.device, cpu_b.device)
 
with tf.device('/gpu:0'):
    gpu_a = tf.random.normal([10000, 1000])
    gpu_b = tf.random.normal([1000, 2000])
    print(gpu_a.device, gpu_b.device)
 
def cpu_run():
    with tf.device('/cpu:0'):
        c = tf.matmul(cpu_a, cpu_b)
    return c
 
def gpu_run():
    with tf.device('/gpu:0'):
        c = tf.matmul(gpu_a, gpu_b)
    return c
 
# warm up   这里就当是先给gpu热热身了
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('warmup:', cpu_time, gpu_time)
 
 
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('run time:', cpu_time, gpu_time)

对比测试结果表明，对于随机初始化相同规模矩阵相乘的初始启动（warm up 热场)运算时间和再次运算时间，对于cpu 计算模式而言，时间没有明显变化,而对于 gpu 计算模式而言，热场后，计算效率提到了 1797 倍。

3 Pytorch1.8

3.1 Pytorch1.8 环境创建

打开 Anaconda Prompt 或 win+r→cmd 命令窗口，输入以下命令并回车

conda create –n py3.8-torch1.8 python==3.8

会得到名称为“py3.8-torch1.8”的虚拟环境，它将用来搭建搭建 Pytorch1.8 深度学习平台。

conda env remove -n py3.8-torch1.8

以上代码来删除虚拟环境及环境中所有的包

重新进入 Anaconda Prompt,可以使用以下命令查看已有环境。

conda env list

3.2 环境搭建

（1）下载

直接通过 pip 按安装会很慢，这里我们使用 torch1.8 的轮子进行安装。

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

选择下载 torch 对应 cuda 的轮子文件：

快捷键Ctr+C+F网页查找以下两个并下载：

cu111/torch-1.8.1%2Bcu111-cp38-cp38-win_amd64.whl

cu111/torchvision-0.9.1%2Bcu111-cp38-cp38-win_amd64.whl

也许会下载得很慢，可以复制链接到迅雷或者其他软件进行下载

（2）安装

1）复制下载好的两个轮子文件在：Anaconda\envs\py3.8-torch1.8\Scripts 目录下。

2）在Anaconda \envs\py3.8-torch1.8\Scripts 目录栏下输入“cmd”回车激活命令窗口，并在该窗口输入

conda activate py3.8-torch1.8

回车激活 py3.8-torch1.8 环境。

3）py3.8-torch1.8 环境下输入：

pip install torch-1.8.1+cu111-cp38-cp38-win_amd64.whl

上面安装完后，接着输入

pip install torchvision-0.9.1+cu111-cp38-cp38-win_amd64.whl

4）重新进入 Anaconda Prompt 窗口，激活 py3.8-torch1.8 环境，输入如下命令：

pip install numpy pandas matplotlib scikit-learn notebook -i https://pypi.doubanio.com/simple

实现资源包和 jupyter 的安装。

5）安装 ipykernel 包

重新进入 Anaconda Prompt 窗口，激活 py3.8-tf.2.4 环境，输入：

conda install ipykernel 

6）测试 torch1.8

重新进入 Anaconda Prompt 窗口，激活 py3.8-tf.2.4 环境，先键入 python 进入 python 工作环境，然后键入： 

import torch

如果未报错，则 pytorch 安装成功，之后输入指令

print(torch.cuda.is_available())

如果显示 True，则 GPU 可被 pytorch 使用

至此双环境搭建完成。