001-Windows下PyTorch极简开发环境配置_电脑运行pytorch需要什么硬件配置-CSDN博客

先说一下硬件。这里提到的硬件，其实就是带大容量显存，且支持GPU运算的显卡。现在一提到GPU，放在以前玩家的第一反应是玩大型游戏需要，但估计现在大家的第一反应是用来挖矿或者跑深度网络模型采用到。在当年深度学习快速发展的那个年代（其实也没太久远，还不到10年），不用说1080Ti，TITANX了，那是有一张能带6G现存的1060显卡，都当作香饽饽。有5年以上深度学习开发经验的人都知道，这是最丐版的要求了。

再说软件平台。在windows版的TensorFlow和PyTorch推出之前，早期的深度仿真平台只有一个选择：Unbutu，版本是16.04或18.04 LSTC版。对于习惯了在Windows下简单点击几下鼠标，顶多再手动修改一下环境变量，即能分分钟搞定某个开发平台。刚开始接触Ubuntu时的感觉简直无从下手，更不用谈什么设置、程序安装、调试什么的。这还是对于我这类半个CS专业出身的人员而言。相信看到这儿，有不少人感同身受。

最后说框架。如果说硬件的苦难可以通过金钱来解决，软件平台的不习惯可以通过动手熟悉来克服，那么框架所带来的问题直接是无解的。那个年代，计算机视觉领域主流的框架是Caffee，大家可能听说过其他的名称，比如Keras、Theano等等。这些框架都是专业人员开发的，集成度很高，但对非专业人员很不友好。说明文档少、结构复杂、但功能又不够强大。以Caffee为例，它是贾大神读博期间用C语言开发的一个经典的CNN框架，当我听到它是用C语言写的时候，就早早放弃了。不是不会C语言，相反，个人真正系统学习过的编程语言就只有C。但当一定到Caffee是用C开发的时，就放弃了。C语言写的东东，既常长又难。

基于上述三点原因，虽然很早我就攒好了一台深度学习工作站，但一直让它在吃灰。期间处于好奇，让实验室精通此术的学生，花了已整整一天的时间，才完成了配置。但配好之后从来就没自己用过，想想那个陌生的Ubuntu，就想再等等。这一等就是2年。

时间到了2020年，出现了转机。在此就不得不提到本专栏的第一主角：PyTorch。其实从0.4版本开始PyTorch就开启了对Windows的支持，但奈何当时功能还不能与TensorFlow匹敌。更重要的一个原因，相对于其他同等级的框架，PyTorch退出的时间很晚（它最初其实看作是Torch的python重写版本），对经典模型支持的一般，且使用它开行算法设计和开发的工作很少。但酒香不怕巷深，是金子总会发光的。与其他框架相比，PyTorch有着诸多不可替代的优势。随着时间的推移，版本更新越高，功能越来越强大，使用的人越来越多。终于，在2020年发布了2.0版，功能以及易用性大大提高。也就是在那个时间点之前半年，开始接触并使用Python进行CV经典算法的设计与研发。手头上也有一块全新的2080Ti（目前现在写这个专栏正在用主机上配的）。心里仔细盘算，硬件有了，软件系统也换成Windows了，框架也有PyTorch2.0了，还缺啥？没有任何不干的理由了，Go！

0.2 准备

在配置之前，需要做好以下准备。下面列出的方案只是我使用的，大家根据自己的事情情况调整即可。

硬件：

CPU：最好是8代以上的i5或i7。
内存：32G起，有条件的上64G，再大意义不大。
主板：大厂的大版，供电好、扩展性好，比如华硕、微星等。
GPU：这是主角，建议1080起，能用4090当然更好。如果能用A100，土豪，请受我一拜。
硬盘：其实很多人忽略了硬盘的重要性，系统盘尽量使用512G以上的M2 SSD，速度快；数据盘可考虑使用HDD，容量4T起（很便宜，但要注意选CMR的），用于大量的数据读写操作。
电源：这是另外一个容易被忽略的配件，其功率一定足够大。可以跟一个参考选项，即你所使用GPU最大功耗+500W，就是建议选用的主机电源功率值。比如，我使用的2080Ti最大功率约250W，则可考虑标称值为750W及以上的电源，最好选大品牌的。

注：为什么选用性能更差的HDD作为数据存储盘？这是因为在训练过程中可能会产生大量的数据读写操作，如果直接在SSD上进行写操作，会影响到SSD的寿命（SSD是有读写上限），但HDD不存在这个问题。开始我也没注意到此事，后来实验室新购的一批机器，在半年内SSD（还是三星的）纷纷出现问题，送到售后检测，被告之到了读写上限，才意识到该问题的严重性。特地在此注明，希望引起大家的重视。

软件：

Windows10 ：建议安装2021年十月份发布的LSTC版（64位），稳定，简约，既能得到长期的更新（据说是六年，到），又不会安装一些用不到的功能。Why not？
Anaconda：用过的都知道，Python的最佳基友，方便强大还免费，还有赠品。Why not？
其他：一些必要的Python扩展库，如OpenCV、Pytorch；CUDA相关的套件。

然后呢？然后就没有了，你没看错，既然是极简配置，在不影响基本开发功能的前提下，能不用其他软件就不用。有人说，总要有个代码编辑器吧。有的，我们用Anaconda赠送的，无论是Jupyter Lab/Notebook，还是Spyder，都能完成基本功能。当然，如果您需要搭建更复杂的工程，那么安装一个PyCharm或者VS code还是值得的。

1.1 安装Anaconda

其实Anaconda并不是必须的，但估计99%的开发者都用它，为什么不用呢？

有关Anaconda安装的流程和注意事项，网上有的是资料可查，不再赘述。在此强调两个问题。

一是确认Anaconda中Python的版本，因为扩展库的更新通常赶不上Python的版本迭代，在安装扩展库时需要选择对应的Python版本，总的宗旨是，在能用的前提下，版本越高越好。

如何查Python版本？再简单不过了，打开Anaconda Prompt，键入python，系统即自动显示版本号。

二是完成安装之后，一定记得修改环境变量，将以下四条路径添加到Path路径下：

安装路径\anaconda3
安装路径\anaconda3\Scripts\
安装路径\anaconda3\Library\bin
安装路径\anaconda3\Library\mingw-w64\bin

记得设置完重启或者注销，方可使用。

1.2 安装CUDA和cudnn

呼出命令窗口，打开Windows控制台命令窗口，输入nvidia-smi，如果提示无法运行，则说明当前系统还未安装GPU驱动，这样最省事了。如果之前安装了GPU驱动，则可能涉及到版本的冲突，这种情况后面再单独说明。

首先说明，安装CUDA时，会自动安装GPU驱动的。那么问题来了，选用什么版本的CUDA呢？这个主要取决于两个因素。一是GPU本身，不同的GPU能够适应的CUDA各不相同。一般来说，GPU越新，支持的CUDA版本越高。但安装最新版本的CUDA并不一定合适。这就引出了第二个因素，即我们选用的深度学习框架所能支持的CUDA版本。以Pytorch为例，可以在其官网上查询到不同版本Pytorch版本所支持的CUDA版本。

（1）确定CUDA版本

进入Pytorch官网，选择最新的版本，查询其对应的CUDA版本。以下图为例：

可见，该版本（2.2.1）的Pytorch支持11.8和12.1版本的CUDA。在此选择12.1版本的CUDA。

进入官网CUDA下载，选择并合适版本的CUDA，其宗旨是：版本号小于等于上述最高版本的即可。比如，我们就选择12.1.0版的CUDA，点击进去，依次做出选择。然后下载相关的本地exe文件。另外，建议从官网下载安装文件，不要用某某云盘的。

（2）安装CUDA

在开始安装之前，再次说明，如果之前安装过显卡驱动，无论版本如何，都先卸载，这样最省事。

点击之前下载的本机exe安装文件，开始安装。其实过程很简单，只需要注意一处就行。

首先，选择“自定义”。

然后取消下面安装图中的“Visual Studio Integration”一项，不要问我为什么，我也不清楚，但如果选上它，则在安装过程中会报错，无法正常安装。

剩下就没什么了，其他都默认安装即可。在安装过程中，会有黑屏，这是在安装GPU驱动。另外，还需要说明的是，尽量采用默认安装路径，即便想改变，也尽量安装在C盘上。

安装完成后，还需要查询一下是否修改了环境变量，如下所示。如果没有自动添加，还需要手动添加，大家可自行查询如何操作。

然后，呼出命令窗口，键入命令：nvcc -V，如果有信息输入，则说明安装成功。

OK，到此为止CUDA安装完毕。

（3）安装cudnn

与CUDA相比，cudnn的安装要容易的多，点击cudnn官网链接，然后根据个人主机的配置，下载对应的安装文件，如下图所示：

接下来，点击安装即可。不需要注意任何地方，简单至极。

1.3 安装Pytorch

安装Pytorch的方法也不难，在此推荐pip安装，但不推荐在线安装，因为安装文件较大。

先点击官网提供的pytorch下载链接，直接下载whl文件，并将其存放在指定的路径下：anacongda安装路径/Lib/site-packages/，该路径用于存放第三方库。

然后，在Anaconda的命令窗口中，将当前路径调整到前面提到的路径下，键入以下命令：

pip3 install torch torchvision torchaudio torch-2.2.1+cu121-cp311-cp311-win_amd64.whl

如上图所示的安装结果。如何验证是否成功安装了pytorch呢？打开Anaconda自带的命令行窗口，启动python，然后键入以下命令：

import torch

print(torch.cuda.is_available())

如下图提示，返回值为True，则说明安装成功。

1.4 安装OpenCV

OpenCV对于Pytorch不是必须的，但个别函数调用了OpenCV的内部函数，并且也可以使用OpenCV函数完成一些基本的图像处理操作，因此，强烈建议各位安装该扩展库。

安装OpenCV的流程与Pytorch类似。仍然推荐先根据Anaconda自带的Python版本，搜索并下载合适版本的Opencv安装文件。

建议各位直接去Opencv-python官网下载相关文件，强烈不建议去第三方网站下载，否则很可能出现版本不匹配的情况，而导致无法正常运行。另外，OpenCV的Python版本更新速度低于Python的版本更新，因此只要保证OpenCV-Python支持的python版本不高于本机的Python版本，即可使用。

将下载的whl文件存放到特定的路径下，然后在命令行窗口中用以下pip语句进行安装（对应Python3.7版）。

pip3 install opencv_python-4.9.0.80-cp37-abi3-win_amd64.whl

在此需要注意一点，个别涉及到专利权的OpenCV函数并没有被打包在OpenCV安装包中，而是被打包在opencv-contrib-python扩展包中，各位可根据需要，自行决定是否安装。

安装完毕后，进入Python环境，然后键入：import cv2，如果不报错，即说明安装成功。如下图所示：

1.5 配置Jupyter Lab

终于到了介绍算法开发工具的内容了。开发Python程序的IDE工具很多，好工具也不少，功能强大的如PyCharm和Visual Studio Code (VSCode) ，轻量级的如Spyder。但我们标题既然是极简环境配置，上述这些IDE统统不用，而是选用Anaconda安装后自带的Jupyter Lab。

估计各位对Jupyter notebook这个工具更加熟悉，你猜的没错，Jupyte Lab是它的升级版。有关该工具的详细介绍，大家可自行网络搜索并学习。再次只介绍几个有用的设置，供各位参考。

（1）启动

由于Anaconda安装包中已经集成了Jupyter Lab，因此安装完毕后，启动Anaconda主界面，内置了Jupyter Lab的启动窗口。但采用这种方式需要首先启动Anaconda，费时费力。更简单的方式是，在Anaconda Prompt命令窗口中，键入： jupyter lab ，即可打开一个网页链接，启动Jupyter Lab。

（2）修改工作路径

启动Jupyter Lab后，会发现工作路径默认是系统盘用户名下的路径，使用很不方便。如何修改默认路径工作路径呢？方法修改Jupyter notebook的方式相似。

打开终端或命令提示符窗口。输入 jupyter lab --generate-config命令，生成Jupyter Lab的配置文件。该配置文件存放在“ C:\Users\computer\.jupyter\”下，文件名是：jupyter_lab_config.py。

用记事本打开该文件，搜索

## DEPRECATED, use root_dir.
# Default: ''
# c.ServerApp.notebook_dir = ''

将最后一行的注释符去掉，并改为指定的路径，比如：

c.ServerApp.notebook_dir = "F:/Workstation"

经过上面设置过程，如果从命令行启动Jupyter Notebook或者Lab，则可在指定的路径下启动。但如果直接点击Jupyter

Notebook/Lab的快捷图标，则无效，需要还要进行如下设置。

右击Jupyter Notebook的图标，点击“更多”，点击“打开文件位置”。

在弹出的窗口中，右击“以管理员身份运行”，弹出属性框。在弹出的属性框中，将途中“快捷方式”中标注的部分，删除即可。

到此为止，启动路径设置结束，可自行测试。

（3）其他配置

启动命令行窗口，键入以下语句，添加Jupyter Lab界面对中文的支持。

pip3 install jupyterlab-language-pack-zh-CN

完成中文包的安装后，即可通过点击菜单栏中的Jupyterlab的界面设置为中文。

到此为止，我们需要的极简开发环境搭建完成，下一节用典型而简单的实例来验证该环境是否真的能work。

（本节初稿完成时间：2024-04-01）