深度学习环境配置宝妈级超详细教程（windows）

已于 2022-12-26 15:33:06 修改
阅读量1.7k 收藏 16
点赞数 4
分类专栏： ## 深度学习之环境搭建 文章标签： python pytorch 深度学习
于 2022-03-07 14:27:27 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/qq_29960631/article/details/122425479
版权

提示：深度学习环境配置说明，主要是一篇讲环境配置的文章

文章目录

一、显卡部分

（一）显卡与驱动

  • 查看自己的显卡型号。在设备管理器中的显示适配器中查看。
    在这里插入图片描述

#############重要！！！安装之前请关闭所有安全软件，包括电脑管家火绒等！！！！####################

  • 查看自己的显卡能安装的最新驱动，下载后默认安装即可。
    随后在cmd 终端中输入命令 nvidia -smi 查看cuda适用的最高版本，以及当前的驱动版本（要装了cuda Toolkit后才能查看）
    在这里插入图片描述

（二）安装 Visual Studio

  • 步骤1：进入VS官方网站 下载Community版本
    在这里插入图片描述
  • 步骤2：运行exe文件
    一般选择 C++桌面开发和python开发，有需要再加上windows平台开发。右边可选项看自己需求选择。
    在这里插入图片描述
  • 步骤3：默认安装即可

参考：
https://blog.csdn.net/qq_45782378/article/details/113043087

（三）CUDA Toolkit

  • 步骤1：CUDA Toolkit下载
    点击这里
    没有账号就注册一个。选择自己喜欢的点击 exe(local)本地下载，方便后面pytorch的支持，一般常用的就是10.2和11.1或11.3。（如果显卡型号比较新的话不建议用10.2的低版本）
    在这里插入图片描述

  • 步骤2：CUDA Toolkit安装

    • 下载后直接运行exe文件，默认安装即可（如果你的电脑之前没有装过CUDA）。

    • 如果没有装Visual Studio，建议选择自定义安装，然后在CUDA中取消visual studio integration选项
      在这里插入图片描述
      在这里插入图片描述

    • 安装完成后，默认的安装环境一般为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA
      图片来自网络
      （本张图片来自网络，我的cuda是11.4的版本）

  • 步骤3：各种环境变量的配置：

    • 安装结束后，右键 我的电脑–>属性–>高级系统设置–>环境变量，系统变量中已经加入了cuda的两个路径：
      在这里插入图片描述
      在这里插入图片描述
      在这里插入图片描述

    • 然后在环境变量->系统变量->path变量中添加以下路径

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\include

在这里插入图片描述

  • 重启电脑更新配置，然后Win+R进入cmd界面输入 nvcc -V 可以查看安装好的版本

在这里插入图片描述

（四）cudnn

  • 步骤1：下载的cudnn版本要与cuda版本对应，点这下载。
    在这里插入图片描述

  • 步骤2：将cuDNN压缩包里的三个文件夹分别复制到cuda安装目录下的文件夹里面
    在这里插入图片描述
    （注：由于之前在cudn中已经添加了环境变量，这里就不用再弄了。）

  • 步骤3：检查cudnn与cuda是否安装成功
    进入路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite，找到以下两个文件
    在这里插入图片描述
    在从cmd终端分别运行这两个文件，出现以下两个界面即安装成功！！
    在这里插入图片描述在这里插入图片描述

参考：
https://blog.csdn.net/jhsignal/article/details/111401628
https://blog.csdn.net/weixin_43848614/article/details/117221384
https://blog.csdn.net/jhsignal/article/details/111398427

二、工具部分（环境管理+python编译）

（一）Anaconda安装配置

1、下载Anaconda

官方下载地址：https://www.anaconda.com/distribution/#download-section
清华镜像地址 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

2、安装

  • 运行安装文件，运行到这里选择 All Users
    在这里插入图片描述
  • 选择安装路径，我这里是自定义了（后面需要配置环境变量）
    在这里插入图片描述
  • 安装选项，第二个勾选第一个不要勾选。点击安装等待安装结束。
    在这里插入图片描述

3、配置Anaconda环境变量

我的电脑（右键）— 属性 — 高级系统设置 — 环境变量 — 系统变量（S）— Path — 编辑 — 新建
在这里插入图片描述

将以下地址填入环境变量中的Path中，保存后退出：

D:\SW\Anaconda（Python需要）
D:\SW\Anaconda\Scripts（conda自带脚本）
D:\SW\Anaconda\Library\mingw-w64\bin（使用C with python的时候）
D:\SW\Anaconda\Library\usr\bin（我这里没有usr文件夹故没添加这条路径，但是没影响。有的尽量加上）
D:\SW\Anaconda\Library\bin（jupyter notebook动态库）

4、检验是否安装成功

  • cmd中输入 ：python，——查看Python环境
    输入 exit() 退出python
    在这里插入图片描述

  • 在cmd中输入 ：conda --version，——查看是否有conda环境
    在这里插入图片描述

  • 在cmd中输入： conda info，——查看是否显示信息
    【如果没有或者提示conda不是内部或外部命令，那说明anaconda环境变量没配置好，返回上一步重新配置，重启电脑后即可】
    在这里插入图片描述

5、Anaconda常用命令

创建虚拟环境：				conda create -n [环境名称] python=3.7
在其他环境基础上创建虚拟环境：conda create --name [你的环境名称] --clone [别的环境名称]
激活虚拟环境：				activate -name [虚拟环境名字]
查看环境下安装的包和版本：	conda list （或 pip list）
查看所有的虚拟环境：			conda info -e （）
查看所有的环境：				conda env list
删除虚拟环境：				conda env remove -n [虚拟环境名字]

参考：
https://zhuanlan.zhihu.com/p/75717350
https://blog.csdn.net/qq_33470156/article/details/90484313
https://blog.csdn.net/SARACH_WONG/article/details/89328307

（二）pycharm安装配置

1、下载pycharm社区版

pycharm windows版本下载地址：https://www.jetbrains.com/pycharm/download/#section=windows
进入下载链接，选择windows 社区版下载后安装运行
在这里插入图片描述

2、安装选项

（1）选择安装地址
在这里插入图片描述
（2）选项说明：

  • PyCharm Community Edition：创建桌面快捷方式【看个人爱好】
  • Add “bin” folder to the PATH：添加环境变量到path中【必选！！】
  • Add “Open Folder as Project”：右键文件夹使用pycharm打开项目【个人觉得比较方便，推荐！】
  • .py ：关联到pycharm后可直接打开.py后缀文件【推荐！】
    在这里插入图片描述

（3）后面的默认安装即可
在这里插入图片描述

三、环境配置

（一）Pytorch安装

pytorch安装经验：尽量用pip安装，用cuda安装容易出问题

  • 1、进入pytorch官网历史版本
    https://pytorch.org/get-started/previous-versions/

  • 2、选择要安装的pytorch历史版本，选择GPU或cpu版本，选择对应cuda版本的torch链接，复制pip下载安装链接
    在这里插入图片描述

  • 3、在conda命令行里激活环境，进行粘贴刚刚的命令回车进行安装
    在这里插入图片描述
    安装中ing…在这里插入图片描述
    安装后！在这里插入图片描述

（二）TensorFlow安装

四、进阶配置

（一）TensorRT_win10配置

1、下载TensorRT

2、添加bin环境变量

电脑 - 属性 - 高级系统设置 - 环境变量 - 在系统变量里找到PATH - 编辑并添加路径：
D:\SW\TensorRT\TensorRT-7.2.3.4\bin （修改为你自己TenserRT的bin路径）
在这里插入图片描述

3、安装uff和graphsurgeon库

在tensorrt目录下的下方文件夹找到graphsurgeon-0.4.1-py2.py3-none-any.whl 与 uff-0.6.5-py2.py3-none-any.whl文件，pip安装即可

pip install graphsurgeon-0.4.1-py2.py3-none-any.whl
pip install uff-0.6.5-py2.py3-none-any.whl

在这里插入图片描述

4、复制lib下的文件到cuda安装目录

  • 复制lib下的.dll文件到cuda安装目录的bin目录下
  • 复制lib下的.lib文件到cuda安装目录的lib目录下
    在这里插入图片描述
    在这里插入图片描述

5、生成exe文件测试

  • 步骤1 ：打开sample_mnist.sln项目文件
    在TensorRT-7.2.3.4\samples\sampleMNIST目录下找到sample_mnist.sln项目文件，用visual studio打开

  • 步骤2 ：属性配置
    VS界面选择项目文件右键打开属性。
    对以下三处进行路径配置
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  • 步骤3 ：生成exe
    配置完后，右键点击 生成。会在bin目录下生成一个exe文件。
    在这里插入图片描述

补充说明

  • 如果提示缺少某个.lib文件，而这个lib文件你又可以在cuda/lib里找到的话，在以下位置添加x64路径
    在这里插入图片描述
  • 如果提示缺少某个.h文件，而这个.h文件你又可以在cuda/include里找到的话，在以下位置添加include路径，然后重新运行
    在这里插入图片描述

6、运行exe文件测试

  • 下载 mnist 数据：(python 运行即可)
    tensorrt 7需要下载 mnist 数据，运行下载的python文件和下载完的数据如下
    （tensorrt8不用下载数据）
    在这里插入图片描述
  • 在bin目录下运行cmd，输入sample_onnx_mnist.exe等待几秒钟后出现如下结果（数字随机）
    在这里插入图片描述

注：我用的cuda版本是11.4、Tensorrt7，在执行exe文件的时候总是缺少xxx.dll文件啥的，这时候你就要去cuda安装的bin或lib目录下看有没有类似的，复制—重命名为缺少的xxx.dll文件再次运行就好了

参考：https://blog.csdn.net/qq_19707521/article/details/104986296

（二）Git安装配置

参考这篇文章：
https://blog.csdn.net/qq_29960631/article/details/122447268

（三）Netron—网络结构可视化

https://zhuanlan.zhihu.com/p/78822770

王挣银
关注
  • 4
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习环境配置.md
09-10
使用DBCLOUD进行环境配置的完整流程（包括安装Anaconda)
Ubuntu16.04 深度学习环境的配置.docx
07-16
作为DL小白在配置深度学习环境的时候遇到了很多过时的教程，被坑了很多次，成功了之后，编写了一份能用的深度学习环境配置教程，主要面向Linux和DL新手，希望能帮助到大家。
先安装CUDA后安装Visual Studio的额外配置
Cony_14的博客
04-08 567
文件中添加下面的头文件。
windows下深度学习开发环境搭建说明
02-22
windows下深度学习开发环境搭建说明，适合初学者学习测试，经常用的话一般还是建议在linux下搭建
win10下深度学习配置
06-29
win10下深度学习配置，Pyhon学习者的环境配置问题。包括Pycharm、Anaconda、CUDA等。
深度学习环境搭建教程.docx
11-09
深度学习环境搭建教程 anaconda的安装配置与介绍 常用的第三包安装比如sciki-learn 常用的人工智能深度学习框架pytorch的安装与配置介绍
【零基础C++从入门到精通】(一) 走进C++
qq_45047246的博客
05-08 936
【零基础C++从入门到精通】(一) 走进C++
Windows下深度学习环境配置(超详细跟李沐学Ai)
clayt的博客
08-16 1943
安装的软件有miniconda，CUDA，Pycharm，需要安装的包有Pytorch，jupyter，d2l
Windows深度学习环境搭建
yxfamyself的博客
06-08 2182
深度学习环境搭建
Windows深度学习环境配置
qq_44892836的博客
01-13 2386
Windows + Anaconda + CUDA + cuDNN + Pytorch + TensorFlow + OpenCV
深度学习
温和的跳跃
01-11 311
我要开始写毕设了 坚持每天正常输出 今天把我要做的东西框架捋出来了，做的方法有很多种，明天一个步骤一个步骤试试。
Windows Server云服务器配置深度学习环境WS
01-06
之前在自己的机器上用pip磕磕绊绊配置过一次，今天在云服务器上相当于复习了一下。 总结一下需要注意的点： 1.anaconda与要使用的python的版本要互相对应。 2.pycharm要装上python的解释器，在project interpreter中可以找到。 3.这次用的anaconda真的香，比如sklearn就不用自己安装，上一次用pip安装时候有各种依赖的血泪史我至今还记得。 4.安装keras之前要安装tensorflow，并且版本要互相兼容。 5.我出现了命令行import cv2成功，但是pycharm中import cv2报错的现象。 我在anaconda中安装openc
Ubuntu超详细完全配置教程（含深度学习环境配置）
10-31
Ubuntu超详细完全配置教程： 1.Ubuntu常用软件安装，不常用的软件卸载操作； 2.桌面美化； 3.anaconda、pytorch深度学习环境配置； 4.vscode使用anaconda创建的虚拟环境配置； 5.远程连接配置、ssh协议（xshell)，...
Windows下PyTorch深度学习环境配置（GPU）
07-23
Windows下PyTorch深度学习环境配置（GPU）
深度学习anaconda配置pytorch环境教程.docx
最新发布
05-24
anaconda配置pytorch环境教程，跟着我的这个操作，简单易懂速度快
win10下配置深度学习环境
fdasfwefqwef的博客
09-25 184
1.下载Anaconda: https://www.anaconda.com/distribution/#download-section. #下载最新版本安装后可能出现安装不完全，丢失conda.exe的情况，去网上找之前的版本安装或者使用Miniconda安装 2.Pytorch和torchvision下载与离线安装： 在线安装：pip install pytorc...
深度学习环境配置指南！（Windows、Mac、Ubuntu全讲解）
小白学视觉
02-28 1551
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作者：伍天舟、马曾欧、陈信达转载自：Datawhale入门深度学习，很多人经历了从入门到放弃的心酸历程，且千军万马倒在...
在远程服务器平台部署及运行CV项目——基于YOLOv5+deepsort的多人识别项目+TensorRT加速
m0_48365046的博客
03-07 2995
在远程服务器上部署项目并运行 部署的项目是上一个博客中提到的CV项目，上个博客是在Win10上部署，这个博客是在远端服务器上部署。（以后的项目都会要求在服务器上部署，所以要学会部署项目） 再次放上项目链接：Jetson 系列——基于yolov5和deepsort的多目标头部识别，跟踪，使用tensorrt和c++加速 连接到远端服务器 我一开始是在VS上部署的项目，本来是想用VS连接服务器，但是一搜全都是VSCode连接远程服务器的，然后我就查了一下VS和VSCode的区别，然后就选择了用VSCode来连接
深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】
热门推荐
好好读书
12-18 1万+
本篇博客为深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】一直走在路上🏔。
Ubuntu 20.04深度学习环境配置教程
05-16
以下是Ubuntu 20.04深度学习环境配置的教程： 1. 安装Nvidia显卡驱动 如果您的电脑使用的是Nvidia显卡，需要先安装Nvidia显卡驱动。可以通过以下命令安装： ``` sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt install nvidia-driver-440 ``` 2. 安装CUDA CUDA是Nvidia开发的用于GPU加速的并行计算平台和编程模型。可以通过以下命令安装： ``` sudo apt install nvidia-cuda-toolkit ``` 安装完成后，可以通过以下命令检查CUDA是否安装成功： ``` nvcc --version ``` 3. 安装cuDNN cuDNN是Nvidia开发的深度神经网络加速库。可以通过以下步骤安装： - 访问Nvidia官网，下载对应版本的cuDNN文件（需要注册Nvidia开发者账号）。 - 解压下载的文件，并将文件夹复制到/usr/local/cuda目录下。 ``` sudo tar -xzvf cudnn-10.1-linux-x64-v7.6.5.32.tgz sudo cp -R cuda/include/* /usr/local/cuda/include/ sudo cp -R cuda/lib64/* /usr/local/cuda/lib64/ ``` 4. 安装Python和相关库 可以通过以下命令安装Python和相关库： ``` sudo apt install python3-dev python3-pip pip3 install numpy pandas matplotlib tensorflow keras ``` 5. 安装PyTorch PyTorch是一个基于Torch的Python开源机器学习库，它可以帮助研究人员和开发人员更快地构建深度学习模型。可以通过以下命令安装： ``` pip3 install torch torchvision ``` 6. 安装其他常用工具 可以通过以下命令安装其他常用工具： ``` sudo apt install git vim ``` 至此，Ubuntu 20.04深度学习环境配置完成。

“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