1660super搭建深度学习环境

---

前言

参考博客和视频

b站视频：
我是土堆 up主的教程视频
GPU版本：
https://blog.csdn.net/weixin_38909544/article/details/104807749
https://blog.csdn.net/qq_40710418/article/details/109100802
CPU版本：
https://blog.csdn.net/qq_52178584/article/details/132807684

---

一、深度学习环境了解

深度学习环境的配置分为两种：CPU版本（无显卡版本）和GPU版本（有显卡版本），本文即介绍的是GPU版本。

可以通过百度搜索，查看电脑是否有显卡的方式。具体的示意图如下所示：

搭建环境原理和流程如下图所示，图片来源自【我是土堆】up


Anaconda配置虚拟环境在大多教程中都建议安装Jupyter Notebook，安装的过程中容易报错，出各种bug。目前笔者没有发现不安装有啥后果，可以不安。

---

二、配置环境的步骤

具体的环境要求参见下载代码的requirement.txt，结合版本兼容问题，做出调整，比如最终下载的tensorflow_gpu版本是1.15.0的。

1.安装CUDA和CUDNN

比如笔者的电脑上的驱动型号是12.2.X的，下载的CUDA runtime版本（即CUDA)要小于12.2.X的。结合CSDN1660super成功的经验，最后选取10.0版本的CUDA，以及V7.4版本的CUDNN。

安装CUDA和CUDNN的具体步骤，可以见下面的链接所示的博客：
https://blog.csdn.net/qq_40710418/article/details/109100802

2.安装anaconda，并利用anaconda prompt配置环境

笔者下载的anaconda版本是3.0的，这个版本的使用人数比较多。

具体的安装步骤可见博客：
https://blog.csdn.net/qq_28053421/article/details/117875784

接下来用到anaconda的命令行窗口Anaconda Prompt，创建python环境。

例如，创建名称为py36的，python3.6的环境

conda create --name py36 python=3.6

创建成功后激活环境，之后安装其他库都在新创建好的环境中进行。

conda activate py36

离开环境：

conda deactivate

遇到安装速度较慢的情况，可以采用镜像下载。可以在安装代码上添加镜像网址（有时候会出现报错的情况）也可以直接将镜像网站添加到下载路径。

pip install easydict==1.7-i https://pypi.tuna.tsinghua.edu.cn/simple

tensorflow的安装
一定要在官网看好，找好和CUDA，CUDNN对应的版本。

安装好了以后可以在py36中检验：

python
import tensorflow as tf
print(tf.version)

可以参考博客：
https://blog.csdn.net/ly869915532/article/details/124542362
https://blog.csdn.net/m0_68233404/article/details/128525860

3.安装pycharm，并导入anaconda创建的环境。

一定要看准，导入到新创建的python环境。

具体步骤可以参考博客：

https://blog.csdn.net/qq_28053421/article/details/117875784
http://t.csdnimg.cn/QMZGF

创建一个新的python文件，检验是否能调用gpu.

import tensorflow as tf
import timeit


def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000, 1000])
        cpu_b = tf.random.normal([1000, 2000])
        c = tf.matmul(cpu_a, cpu_b)
    return c


def gpu_run():
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000, 1000])
        gpu_b = tf.random.normal([1000, 2000])
        c = tf.matmul(gpu_a, gpu_b)
    return c


cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print("cpu:", cpu_time, "  gpu:", gpu_time)

运行成功标志：

至此，可以优雅地使用配置好的环境了。（bushi)