anaconda

一、安装anaconda

下载官网anaconda安装包，在安装包文件目录下运行：

bash Anaconda3-5.0.1-Linux-x86_64.sh<自己下载文件的名字>

阅读安装须知，一直按enter就行。

当显示：

Do you accept the license terms? [yes|no]

输入yes

当显示：

Anaconda3 will now be installed into this location:

就是需要确定安装路径。如果没什么特殊要求，或者是初学者小白，大可不必管它，直接enter。

最后一个输入yes，表示添加环境变量。

如果不慎忘记添加环境变量了，往下看。

打开终端，输入

conda -V

如果安装成功，会显示conda版本。

如果安装过程中忘记添加环境变量了，在终端输入：

export PATH=~/anaconda3/bin:$PATH

注意，~后面得是自己的安装路径。

 

二、创建虚拟环境

1.conda常用的命令。

    1）conda list 查看安装了哪些包。

    2）conda env list 或 conda info -e 查看当前存在哪些虚拟环境

    3）conda update conda 检查更新当前conda

3、创建python虚拟环境。

     使用 conda create -n your_env_name python=X.X（2.7、3.6等)命令创建python版本为X.X、名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。

4、使用激活(或切换不同python版本)的虚拟环境。

    打开命令行输入python --version可以检查当前python的版本。

    使用如下命令即可 激活你的虚拟环境(即将python的版本改变)。

    Linux:  source activate your_env_name(虚拟环境名称)

    Windows: activate your_env_name(虚拟环境名称)

   这是再使用python --version可以检查当前python版本是否为想要的。

5、对虚拟环境中安装额外的包。

    使用命令conda install -n your_env_name [package]即可安装package到your_env_name中

6、关闭虚拟环境(即从当前环境退出返回使用PATH环境中的默认python版本)。

   使用如下命令即可。

   Linux: source deactivate

   Windows: deactivate

7、删除虚拟环境。

   使用命令conda remove -n your_env_name(虚拟环境名称) --all， 即可删除。

8、删除环境中的某个包。

   使用命令conda remove --name your_env_name  package_name 即可。

 

三、安装cuda

CUDA的官方文档（参考资料1）是这么介绍CUDA的：a general purpose parallel computing platform and programming model that leverages the parallel compute engine in NVIDIA GPUs to solve many complex computational problems in a more efficient way than on a CPU. 
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。

由于安装pytorch和cudnn都需要选择cuda版本，所以得先安装cuda。

首先，我在服务器上测试了：

nvidia-smi

结果显示是有cuda的，那就不用装啦～（具体安装方法自行百度吧）

然后，检查版本：

nvcc --version

显示：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sat_Aug_25_21:08:01_CDT_2018
Cuda compilation tools, release 10.0, V10.0.130

我猜最后一行那个就是版本号

 

四、安装cudnn

cuDNN（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。

上cudnn官网下载自己对应的版本：

 ubuntu18需要下载这3个。

安装：

$ sudo dpkg -i libcudnn6_6.0.21-1+cuda8.0_amd64.deb<runtime包.deb>
$ sudo dpkg -i libcudnn6-dev_6.0.21-1+cuda8.0_amd64.deb<developer包.deb>
$ sudo dpkg -i libcudnn6-doc_6.0.21-1+cuda8.0_amd64.deb<代码sample包.deb>

验证CUDA和CUDNN是否安装成功
CUDNN的code sample可以用来检查CUDNN和CUDA是否安装成功，执行以下命令：

sudo cp -r /usr/src/cudnn_samples_v7/ $HOME
cd $HOME/cudnn_samples_v7/mnistCUDNN
sudo make clean
sudo make
sudo ./mnistCUDNN

正常情况下执行以上代码会得到Test passed!的结果。如果在make步出错，那么可能gcc需要降级；如果出现CUDA driver version is insufficient for CUDA runtime version，那么或许你的显卡驱动安装失败，或许你之前安装过低版本的nvidia的显卡又没有删掉。

 

查看cudnn版本：

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

 

五、安装pytorch

上官网，按照自己 的配置选择前面几项，最后把run this command里的代码粘到终端里，回车，等着就好啦。

然鹅……巨慢，尤其装服务器，更慢。

so，在网上找到了清华源安装方法。

首先，添加清华源：

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

为了保险起见，建议同时添加第三方conda源：

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

最后，还是上面那句安装，不同的是要把末尾的 -c pytorch去掉，即：

conda install pytorch torchvision cudatoolkit=10.0

完成！