Anaconda搭建深度学习虚拟环境：cuda+cudnn+pytorch+torchvision（并验证）

创建新的虚拟环境

1.以管理员的身份打开Anaconda Prompt窗口：

2.创建新的虚拟环境：

conda create -n 环境名称 python=x.x

3.激活刚刚创建好的虚拟环境：

conda activate 环境名称

安装CUDA（11.6）

1.右击鼠标打开NVIDIA控制面板，查看显卡支持的最高CUDA版本：


2.Anaconda 换清华镜像源，提高下载速度：

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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes

3.我电脑的CUDA最高支持12.0，但注意在环境中安装比电脑CUDA版本低的，因为pytorch的版本更新比CUDA更新速度慢，例如目前pytorch官网发布的最高版本是11.7，还兼容不到12.0的版本，我在安装时选择了11.6版本。

conda install cudatoolkit=x.x

安装cudnn（8.4.0.27）

1.查看CUDA对应的cudnn版本信息，根据依赖选择相对应的cudnn：

conda search cudnn --info

2.执行安装cudnn的命令：

conda install cudnn=x.x.x.x

安装pytorch（1.13.1）

在线安装

1.进入 pytorch官网：

2.选择对应的版本，并复制命令安装即可（但官网命令我使用的时候会很慢，建议使用下面的离线安装）：

conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia

离线安装

1.进入 pytorch离线包下载网址，根据下面的规则选择对应的包：

torch版本+CUDA版本/包名-cp39-cp39-win_amd64.whl
cp39就是python3.9版本

我的下载如下：

2.先使用 [cd 目录名] 切换到离线包所在位置，输入安装命令：

pip install torch-1.13.1+cu116-cp39-cp39-win_amd64.whl

安装torchvision（0.14.1）

1.同pytorch的离线安装，先进入相同的离线包下载网址，根据下面的规则选择对应的包：

torchvision版本+CUDA版本/包名-cp39-cp39-win_amd64.whl
cp39就是python3.9版本

2.输入安装命令：

pip install torchvision-0.14.1+cu116-cp39-cp39-win_amd64.whl

验证安装是否成功

1.验证pytorch是否安装成功，依旧是在Anaconda Prompt的窗口，进入需要验证的虚拟环境，依次输入下列命令，import后不报错则表示安装成功啦：

python
import torch

2.验证CUDA是否安装成功，依次输入下列命令，输出为True则表示安装成功啦：

torch.cuda.is_available()
torch.version.cuda

3.验证cudnn是否安装成功，依次输入下列命令，输出为True则表示安装成功啦：

torch.backends.cudnn.is_available()
torch.backends.cudnn.version()