深度学习环境配置（GPU、CPU版本）

已于 2022-09-06 21:38:18 修改
阅读量3.4k 收藏 58
点赞数 3
文章标签： 深度学习
于 2022-05-27 15:53:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_63520910/article/details/124891232
版权

一、Anaconda安装

1、介绍

        Anaconda是一个开源的Python发行版本，用来管理Python相关的包，安装Anaconda可以很方便的切换不同的环境，使用不同的深度学习框架开发项目，本文将详细介绍Anaconda的安装。

2、环境

        Windows 10

3、下载安装

步骤一：输入链接“https://www.anaconda.com/”登录Anaconda官网。

步骤二：鼠标选中“Products”，点击“Indiviaual Edition”选项（Individual Edition是免费版的）。

步骤三：选择Windows版本“64-Bit Graphical Installer(510 MB)”进行安装。

步骤四：双击下载好的“Anaconda3-2021.11-Windows-x86_64.exe”，进行安装。

步骤五：点击“Next”。

步骤六：点击“I Agree”。

步骤七：选择“Just Me”，点击“Next”。（若电脑有多个用户，则选择“All Users”）

步骤八：设置Anaconda的安装路径，路径名称最好为全英文，随后点击“Next”。

步骤九：点击“Install”。这里就不选择自动将Anaconda添加到系统路径了（因为我之前安装Anaconda的时候都是手动添加路径，使用的时候没有出现过问题，所以本次安装我仍然手动配置路径，我没有试过自动添加路径，所以不知道会出什么问题，大家感兴趣可以尝试。）

步骤十：点击“Next”。

步骤十一：点击“Next”。

步骤十二：点击“Finish”。

步骤十三：接下来就是手动配置环境变量了（比较关键）。

由于每台电脑打开环境变量的操作可能不同，所以本文仅以本电脑打开环境变量的步骤进行讲解。

打开环境变量：双击桌面“此电脑”，右键选择“属性”，随后在打开的页面点击“高级系统设置”，点击环境变量。

在系统变量（一定要看清，是系统变量，不是用户变量）一栏中，找到“Path”（这个Path不同电脑的书写可能不一样，所以根据自己电脑上的来，我这里是Path，但其它的电脑可能在大小写上有区别）。

双击path，然后点击新建

输入以下信息(Anaconda安装路径要根据自己当时安装Anaconda的路径来):

Anaconda安装路径

Anaconda安装路径\Scripts

Anaconda安装路径\Library\bin

 

检验Anaconda环境变量是否配置成功：

（1）打开cmd。

（2）输入“conda --version”。

（3）输入“conda info”。

（4）输入“activate”，回车，之后再输入“python”。

若显示的内容均与上图相同或类似，这说明环境变量配置成功。

至此，Anaconda的安装就完成了。

二、CUDA安装（注：安装前先安装VSCODE）

1、介绍

         CUDA(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。换句话说CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。

2、下载和安装

下载地址： https://developer.nvidia.com/cuda-toolkit-archive

选择自己需要的版本下载

 这里我选的是10.1（network方式下载较快）

下载好了之后，双击安装

注意一下：我第一次安装的时候不知道是临时解压目录，新建了一个文件夹，然后后续安装的时候都选的这个路径，结果最后文件夹被删了。。。。。

 

 

 

 

在命令窗口输入nvcc -V，确认CUDA是否安装成功。

三、CUDDN

        查看CUDA和CUDNN的版本匹配 https://developer.NVIDIA.com/RDP/Cudnn-archive

根据所下的版本确定该下CUDNN的版本。

1、介绍

         CDNN(CUDA Deep Neural Network library)：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。

2、下载和安装

        唔，我去官网下载了，但是要注册，注册到一半，发现要填一系列信息，不太会填，所以最后没从官网下载成功。cudnn官网地址

还是贴一下安装过程

把Cudnn的内容进行解压

选中所有文件，右键复制，复制到C盘的根目录下就可以了。这个根目录是CUDA在C盘的根目录C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1，如果碰到是否替换文件，选择是即可。

  

四、torch环境配置

1、pytorch环境的创建与激活

Win+R启动cmd，在命令提示符内输入以下命令：

（1）用于创建一个名为pytorch的环境，该环境的python版本为3.8。

（2）用于激活一个名为pytorch的环境。

 2、pytorch库的安装

由于我们所有的操作都要在对应环境中进行，所以在进行库的安装前需要先激活环境。

几种安装方式

1、打开pytorch的官方安装方法（推荐）：
Previous PyTorch Versions | PyTorch

找到跟自己下的CUDA对应的安装代码

复制到cmd中

安装成功后，可以具体查看

最后，看一下安装是否成功（GPU版）

上面方法如果安装的比较慢的话

​​​​​​2、镜像下载Index of /anaconda/cloud/pytorch/win-64/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

 3、到https://download.pytorch.org/whl/torch_stable.html下载需要的版本的 whl文件（python版本和torch版本要对应）。比如cu102/torch-1.6.0-cp36-cp36m-win_amd64.whl，表示：cuda版本10.2、python版本3.6、torch版本1.6、windows系统

下载完成后找到安装路径，在cmd定位过来后利用文件全名进行安装就行了！（图不匹配，但是方式类似）

 五、其他依赖库的安装

scipy==1.2.1
numpy==1.17.0
matplotlib==3.1.2
opencv_python==4.1.2.30
torch==1.7.1
torchvision==0.8.2
tqdm==4.60.0
Pillow==8.2.0
h5py==2.10.0

如果想要更便捷的安装可以在桌面或者其它地方创建一个requirements.txt文件，复制上述内容到txt文件中。

使用如下指令安装即可。下述指令中，requirements.txt前方的路径是我将文件放在桌面的路径，各位同学根据自己的电脑修改。

pip install -r C:\Users\33232\Desktop\requirements.txt

 但是

我按照上面这个方式，没有安装成功，显示

ERROR: Could not open requirements file: [Errno 2] No such file or directory: 'requirement'

解决办法：把requirements.txt放到“C:\Users\你的用户名”的路径下，如图：

 一个解决方法，是我没有cd到保存的盘里（用该方法解决了）--先激活pytorch环境

 六、VScode

1、下载

VSCODE的官网Visual Studio Code - Code Editing. Redefined，点击Download for Windows即可下载

2、安装

在这里插入图片描述

其他里面的几个勾要打起来，因为这样就可以右键文件夹用VSCODE打开，非常方便。下一步

在这里插入图片描述

 在这里插入图片描述

安装完成后在左下角更改自己的环境就行了。

我是之前就安装过了，所以直接更改一下环境。

但是，我VSCODE输入上述命令之后，显示没有匹配项，后来知道了我的VSCODE里没装Python插件，装好了之后就可以了。

参考博客 Anaconda安装（过程详细）_基QI学习的博客-CSDN博客_anaconda安装

深度学习环境配置2——windows下的torch=1.2.0环境配置_Bubbliiiing的博客-CSDN博客_神经网络学习小记录48

torch- torchvision- python版本对应关系_小Aer的博客-CSDN博客_torch的python版本对应

安装CPU版本的pytorch_Senescy的博客-CSDN博客_cpu版本的pytorch

CPU版本环境配置

打开Anaconda Prompt

创建环境

conda create -n torch python=3.6

激活环境

activate torch

安装CPU版本的pytorch
使用清华镜像源网站，加快安装速度

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

安装pytorch

conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cpuonly

在加载过程中弹出提示y/n，输入 y，确定安装
注意：conda install pytorch torchvision torchaudio cpuonly -c pytorch后面的-c pythoch不要，不然又换回国外源了。

验证是否安装成功

 

一些别的

pip安装和conda安装的差别

利用Anaconda自动化安装？

conda虚拟环境中安装cuda和cudnn，再也不用头疼版本号的问题了-python黑洞网

支持的版本介绍1、支持cuda版本的显卡驱动程序链接地址： https://docs.NVIDIA.com/cuda/cuda-toolkit-release-notes/index.hhhe

tensor流版本对CUDA版本有要求

链接地址： https://tensorflow.Google.cn/install/source

cuda版本要求cudnn提供参考链接： https://developer.NVIDIA.com/RDP/Cudnn-archive

oyou-2021
关注
  • 3
    点赞
  • 踩
  • 58
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习硬件配置推荐(kaggle学习)
weixin_46713695的博客
10-17 3365
深度学习硬件配置推荐
【超全超详细】pytorch和TensorFlow（CPU和GPU版）以及CUDA与cuDNN安装教程
elephant_my的博客
11-22 3855
pytorch和TensorFlow（CPU和GPU版）以及CUDA和cuDNN的安装教程，还有血泪踩坑史
深度学习电脑配置有什么要求？
Bamboo265925的博客
01-25 2621
的快速发展，深度学习已经成为了许多领域的重要工具。然而，深度学习的应用需要强大的计算能力，因此对于想要进行深度学习的用户来说，选择一台合适的电脑是必不可少的。本文将重点介绍深度学习电脑配置的要求。
(超详细)搭建深度学习环境【Anaconda+Pycharm+NVIDIA 显卡驱动+PyTorch(含GPU版)+CUDA+cuDNN+win10】+ 配置系统环境变量
最新发布
2302_76846184的博客
04-30 3093
(超详细)搭建深度学习环境【Anaconda+Pycharm+NVIDIA 显卡驱动+PyTorch(含GPU版)+CUDA+cuDNN+win10】+ 配置系统环境变量 + YOLO跑数据集环境部署
一看就懂的 CUDA安装教程及Pytorch GPU版本安装教程
Evan_qin_yi_quan的博客
03-10 4万+
一看就懂的 CUDA安装教程
【创作赢红包】安装cuda、配置环境、安装依赖统统教给你
奔走的王木木Sir的博客
04-02 1271
从下载到安装，一步到位
cuda、torch、torchvision对应版本以及安装
热门推荐
李昂的博客
08-09 10万+
查找torch与torchvision对应版本 github链接：https://github.com/pytorch/vision#installation 在线下载或者离线下载 1、在线下载 在pytorch官网选择相应的历史版本，使用conda或者pip安装，使用官网的镜像下载很慢，建议使用其他的镜像源，这里我使用的是阿里的镜像速度还不错。 pip install torch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 -i https://mirror
从零开始的windows深度学习环境配置（anaconda+pytorch+cuda+cudnn）
elister的博客
09-19 6048
从零开始的windows深度学习环境配置 深度学习环境配置 不知不觉研究生上了已经一年多了，从大四考研以后才开始来到了深度学习这个领域，一年以来也经历了从装个环境都要好久的小白到现在轻车熟路，走过的坑实在是太多，所以现在想写个博客，来给自己留个纪念，顺便为后人指个路（不一定正确，仅限2020/9/19当天还是正确的） 首先说一句，跑深度学习建议你整个ubuntu系统，安装起来环境是真的方便。不是迫不得已别用windows。笔记本的话装ubuntu双系统比较麻烦，因为核显冲突的问题安装系统的时候会有很多bug
计算机视觉与深度学习基本环境安装
01-06
计算机视觉与深度学习基本环境安装1. Python的安装与使用1.1 Python简介1.2 Python下载与安装1.2.1 Anaconda的下载与安装1.2.2 Python编译器PyCharm的安装2. TensorFlow类库的下载与安装2.1 TensorFlow的特征2.2 ...
深度学习电脑配置：cuda和cudnn安装步骤
06-10
深度学习电脑配置是指将计算机配置为深度学习环境，以便进行机器学习和深度学习开发。在这个过程中，CUDA 和 cuDNN 是两个非常重要的组件。本文将详细介绍 CUDA 和 cuDNN 的安装步骤，并对它们的作用和重要性进行...
深度学习常见问题及消融实验技巧
11-18
2. 机器配置：保持机器配置的一致性，包括 CPU、GPU、Memory 等。 六、随机种子的问题 在进行实验时，随机种子的问题是非常重要的一环。我们需要固定好随机种子，以确保实验结果的可靠性。在这里，我们可以使用 ...
tensorflow CPU版本和GPU版本完整搭建过程
03-16
TensorFlow 是世界上最受欢迎的开源机器学习框架，它具有快速、灵活并适合产品级大规模应用等特点，让每个开发者和研究者都能方便地使用人工智能来解决多样化的挑战。文档为CPU版本和GPU版本搭建过程
环境配置—Tensorflow Cuda Cudnn 版本对应关系
01-20
深度学习-环境配置一、Linux1. CPU2. GPU二、macOS1. CPU2. GPU三、Windows1. CPU2. GPU四、下载网址 一、Linux Tested build configurations Linux 1. CPU 2. GPU 二、macOS 1. CPU 2. GPU 三、Windows 1. CPU ...
C#深度学习源码
05-13
一般网上流传的深度学习Windows源码都是Linux转过来的，下载后配置非常困难，本人多天配置环境都未成功，最后不得不放弃。原因是需要配置第三方库，这是一个困难。本源码是基于VS 2013的C#源码，只要装有Visual ...
tensorflow cpu版本转gpu版本（win10）
eagle_321的博客
04-02 6934
tensorflow cpu版转gpu版（win10）动机删除当前的tensorflow安装CUDA和cuDAA安装tensorflow-gpu效果 动机 一开始因为图方便只装了cpu版的，后来在训练一个简单的一维CNN的时候发现每个step要200多ms，于是决定换成gpu版。 删除当前的tensorflow 先用pip list查看自己机器里现有的tensorflow组件 用pip unin...
深度学习环境搭建（pytorch环境）适用于win10/11系统下
weixin_38840531的博客
05-01 8470
深度学习环境搭建（pytorch环境）适用于win10/11系统下 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录深度学习环境搭建（pytorch环境）适用于win10/11系统下前言一、环境搭建需要的主要工具二、环境搭建步骤：(以win10系统搭建为例)1. Annoconda安装2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容：
【动手学习深度学习】01 安装运行环境——Windows
17902的博客
11-20 2401
文章目录1、Windows系统下安装miniconda2、搭建CPU版本mxnet的运行环境3、运行课本的代码4、注意事项 1、Windows系统下安装miniconda Windows下安装miniconda很简单，首先下载最新的Windows版本的miniconda 3。推荐到清华大学开源镜像站下载，不要到官网下载，因为官网下载速度非常慢。从清华镜像下载方法如下： 1.下载地址 https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/ ，然后找到适
深度学习环境配置
charlesyoung1的博客
03-13 525
深度学习环境配置 深度学习环境搭建现在已经非常简单，对Windows现在也比较友好。 推荐使用anaconda安装，方便对python包的管理。 网上下载anaconda， 版本选择python3.6Version，直接点击download就好。 安装好anaconda后，按win键，搜索anaconda prompt, 右键用管理员模式打开。 然后再弹出的框里输入 conda...
深度学习gpu和cpu切换
05-20
在深度学习中，使用GPU加速训练是常见的做法。但是，有时候我们可能需要在CPU上运行模型，比如在没有GPU的设备上，或者在对模型进行推理时。下面介绍一下如何在GPU和CPU之间进行切换。 首先，需要确保你的深度学习框架已经正确安装并配置了GPU支持。在使用GPU加速时，通常会使用CUDA和cuDNN等工具。如果你想在CPU上运行模型，可以将代码中的设备参数修改为`cpu`，比如： ```python import torch device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model = MyModel().to(device) # 将 device 参数设置为 cpu output = model(input.to("cpu")) ``` 在上面的代码中，我们首先检查是否有可用的GPU，如果有则将模型放到GPU上进行训练。如果没有，则将模型放到CPU上。在运行时，我们可以使用`to()`方法将输入数据放到对应的设备上。 另外，有些深度学习框架还提供了更方便的方法进行设备切换，比如在PyTorch中，可以使用`cuda()`和`cpu()`方法将模型切换到对应的设备上： ```python import torch device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model = MyModel().to(device) # 将模型切换到 CPU model.cpu() # 将模型切换回 GPU model.cuda() ``` 总之，深度学习中的GPU和CPU切换主要是通过修改设备参数和使用相应的API实现的。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值