深度学习笔记（一）：环境搭建篇

本篇主要是下载安装anaconda、cuda、pytorch

一：anaconda

先对anaconda做一个介绍（相信刚接触anaconda的小伙伴都对其一脸懵逼）：

(11 封私信 / 80 条消息) anaconda是什么，是干嘛用的，与python的区别是什么？ - 知乎 (zhihu.com)https://www.zhihu.com/question/353409585相信光是一个集成库就给大家足够的理由下载anaconda了，毕竟用pythonpip各种库的时候真的很麻烦。

接下来就是anaconda的下载安装、环境变量配置了：

相信自己网速的童鞋可以在官网进行下载

Anaconda | Individual Editionhttps://www.anaconda.com/download/

本人推荐的下载方式是清华镜像站（一定要注意平台和位数的对应！）：

清华大学开源镜像站（anaconda）https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

下载好安装包以后打开

 分别点击next、i agree

到这一步的时候就看你的电脑是否为多用户以及要不要给别的用户使用这个软件了，选just me就是单用户使用，all users就是多用户使用，点击next

安装地址自选，注意用英文，这里推荐新建一个文件夹单独存放，再点击next

打勾这个选项，将anaconda中的python添加到环境变量中

 打勾这个选项，anaconda的python将会在其他编译器中被优先使用

 然后点击install等待安装完毕即可

安装完毕后，在屏幕左下角输入anaconda，找到 anaconda prompt打开

 

 这里的base就是anaconda中自带的python所处的环境

 接下来就是创建虚拟环境了，代码：conda create -n xxx python=3.7 （后面的python=3.7是在虚拟环境中安装python）

 这里的xxx可随意发挥，注意在下面的代码中保持一致即可

输入y继续

 完成后的界面如下

 再通过activate xxx来进入虚拟环境

 为自己的环境添加数据源，可加快各种包的下载，本文选择的是清华源

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

然后用conda config --show channels检查是否添加成功即可

关于anaconda的各种代码详情可参考下文链接

(20条消息) Anoconda使用入门_xmh的专栏-CSDN博客https://blog.csdn.net/xmh_free/article/details/94897884?ops_request_misc=&request_id=&biz_id=102&utm_term=anaconda%E4%BB%A3%E7%A0%81&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-94897884.pc_search_result_hbase_insert&spm=1018.2226.3001.4187

二：cuda（显卡不是英伟达的童鞋可以跳过这一段了）

CUDA（Compute Unified Device Architecture）是一个新的基础架构，这个架构可以使用GPU来解决商业、工业以及科学方面的复杂计算问题。它是一个完整的GPU解决方案，提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问。在架构上采用了一种全新的计算体系结构来使用GPU提供的硬件资源，从而给大规模的数据计算应用提供了一种比CPU更加强大的计算能力。CUDA采用C语言作为编程语言提供大量的高性能计算指令开发能力，使开发者能够在GPU的强大计算能力的基础上建立起一种效率更高的密集数据计算解决方案。

安装cuda，先在开始菜单中搜索NVIDIA Control Panel并打开

 打开帮助下的系统信息

点击组件

 

 在NVCUDA64.DLL中查看本电脑所能支持CUDA最高版本

 看完后开始下载（本文提供的为11.1版本，适配大部分电脑，若不支持请去官网上下载适配版本）

一：将此链接复制到迅雷里下载https://developer.download.nvidia.com/compute/cuda/11.1.0/local_installers/cuda_11.1.0_456.43_win10.exe

二：用浏览器打开链接直接下载

https://hdueducn-my.sharepoint.com/:u:/g/personal/amoreyo_hdu_edu_cn/ETLxSgLvq-hGkkehjrpmtd8B9qwq9U2m5RmZIeLYMYVN1g?e=6AZSTy

三：百度网盘下载 提取码az4m

https://pan.baidu.com/s/1tNLxqRoQjGDZNVN_-dl9pA

下载完成后打开

一路点击下一步无脑安装

选择精简安装，继续下一步

 安装完毕关掉即可

若是出现安装失败，大概率是卡在vs这一步上，建议参考

(20条消息) CUDA安装失败的解决经验_Jasmine_z_s的博客-CSDN博客https://blog.csdn.net/Jasmine_z_s/article/details/87622371?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163368800716780262528628%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=163368800716780262528628&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-1-87622371.pc_search_result_hbase_insert&utm_term=cuda%E5%AE%89%E8%A3%85%E5%A4%B1%E8%B4%A5&spm=1018.2226.3001.4187

但是本人安装过程出现的问题是 nsight vs edition安装失败，上述解决方法不适用，先在安装选项选择自定义后再将nsv edition取消勾选，现在是安装成功了，但不知道后续会不会出什么问题，有懂哥可以在评论区留言，我要是知道更好的解决方法也会实时更新。

安装完成后，就可以添加环境变量了：

1.控制面板

2.系统和安全

3.系统

4.高级系统设置

5.高级

6.环境变量

7.在系统变量的path中加入下面两条路径（选自定义安装的童鞋需自行查找地址）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64

注：不同版本把11.1换成自己版本的数字就好了

添加完成后，在anaconda prompt中输入nvcc -V

出现下图即为安装成功

 

三：安装pytorch

在pytroch官网中进行下载

Previous PyTorch Versions | PyTorchhttps://pytorch.org/get-started/previous-versions/

在下列版本中选择自己安装的版本代码，本人安装的是11.1的，就选了中间的cuda 11.1

将代码复制到anaconda prompt中运行

安装过程中可能某些文件会出现下载错误或者被跳过的情况，多运行几遍代码即可

运行完毕后输入

import torch

torch.cuda.is_available()

from torch.backends import  cudnn

cudnn.is_available()

若两个都返回True，则pytorch在虚拟环境中安装完毕

接下来就可以测试cuda的加速效果了

在anaconda prompt中运行以下代码

import torch
import time

a = torch.randn(400,600,600).to("cuda:0")

b = torch.randn(400,600,600).to("cuda:0")

start_time = time.time()

for i in range(1,1000):
    c = a*b

end_time = time.time()

print("CUDA time: ",(end_time-start_time))


a = torch.randn(400,600,600)

b = torch.randn(400,600,600)

start_time = time.time()

for i in range(1,1000):
    c = a*b

end_time = time.time()


print("CPU time: ",(end_time-start_time))

运行后可看出cuda比起cpu速度确实快了不少（1000倍！）

最后感谢本篇博客中引用到的所有博主！