深度学习：补充篇1——Anaconda+PyCharm+Jupyter+PyTorch CPU+PyTorch GPU环境搭建

---

一、引言

前段时间，写了一篇文章记录PyTorch软件安装相关的准备，在这篇文章里。由于中途有事，很长时间没去认真学PyTorch了，后电脑重新安装，重新装PyTorch时，打算把这个环境变得比较的好，因此出现了这个补充篇。

我认为比较好的一个PyTorch开发环境，是Anaconda+PyCharm+Jupyter。在PyCharm中可以方便的使用Python相关语法的补充，在Jupyter中可以方便的分布式进行语句学习与注释。

因此，决定搭建一个Anaconda+PyCharm+Jupyter的环境。手头上比较空闲的是两台电脑，一台是大一下买的“华硕笔记本”，另一台是毕业时舍友的一台性能不是很好的台式机。目前都被我刷成了Win10超干净的纯净版。

考虑这两台电脑都不如实验室继承的一台台式机，故在这上面不安装太大型的软件了。笔记本用来完成PyTorch GPU版本的安装，台式机用来完成PyTorch CPU版本的安装（主要原因是台式机上显卡是锐龙的，驱动不好弄）。

---

二、Anaconda环境搭建

按照下面这四个步骤，可以选择环境的Python版本，这里就直接使用3.8的了。然后第四步中启动lypytorch这个环境，在这个环境下，进行PyTorch的安装。同时，可以去Home界面下，先把Jupyter给安装好，直接Install即可，就不放图了。

问题一：关于Anaconda启动失败的问题？

简单貌似下这个问题，启动Anaconda失败，或者在Anaconda虚拟环境下使用conda失败。进入一个浏览器的错误警告页面，这极有可能是开了VPN造成的，需要关闭VPN后，再进行启动或是conda操作。

问题二：PyTorch安装的速度太慢怎么办？

换源，这是最好的方法了。具体代码如下：

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

下面是一张换源后的图片，可以在下边的路径下找到.condarc文件，查看执行完执行后的内容。如果想把添加的源删除，只需把途中红色框的内容删除即可。

去PyTorch官网，找到安装PyTorch CPU的指令，把VPN开启，速度会快很多。得到下面的一条指令：conda install pytorch torchvision torchaudio cpuonly -c pytorch。需要注意的是，由于换源了，这里的-c不能使用，不然还是默认源下载，应变为conda install pytorch torchvision torchaudio cpuonly。

打开Terminal后输入指令便可安装了，速度应该很快。安装完，进入python后用import torch测试下。

问题三：Terminal中pip安装库速度太慢？

换源后速度还是很慢，因为conda的源并没有作用到pip上，可以考虑直接把pip的源也换了，但这里并没有这么做，而是用另一种比较快速的方式，即-i指定安装源，具体代码如下。

pip install opencv-contrib-python -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装cv2
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装matplotlib绘图库

---

三、PyCharm环境搭建

直接在Anaconda的Home界面中点PyCharm的Install，会自动跳到对应的官网下载。在官网中选择社区版下载即可。安装过程很简单，就不细说了。

启动PyCharm后，新建一个工程，把Python环境选为自己虚拟环境中的Python.exe，即可识别到虚拟环境中的Python和所安装的所有库文件。后续用到的Python库，可以先去虚拟环境的Terminal中安装，来PyCharm中就可以直接import使用了。

---

四、PyTorch GPU版本安装

上面都是在我的台式机上安装PyTorch CPU的版本，测试没啥问题后，可以去笔记本上安装PyTorch GPU版本了。在我的笔记本上，安装PyTorch GPU不是很难，主要原因是，conda方式安装PyTorch的时候，会自动安装对应版本的cuda和cudnn，这样可以直接使用下面的指令conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge。

装完之后，可以使用print(torch.cuda.device_count())来进行测试打印出来的是可用gpu的个数，而不是索引，gpu的索引是从0开始的。

---

五、结尾

这是补充篇的第1篇，后面还会继续更新在Anaconda中安装TensorFlow CPU和GPU版本的过程。另外，有机会的话，想把自己这笔记本和台式机重新装机的经验也分享一下，个人电脑重装后的合理管理，非常有助于开发效率的提高。

小结下：Anaconda+PyCharm+Jupyter+PyTorch CPU+PyTorch GPU环境搭建。PyTorch GPU版本的安装写的不是很详细，但我安装的过程确实就那样，网上铺天盖地的去说安装Cuda和Cudnn的过程，我并没有遇到，但在TensorFlow的安装中，我确实也做了Cuda和Cudnn的安装工作，后面再记录下。