深度学习Pytorch编译环境的搭建，Anaconda ,pycharm,服务器

本博文对深度学习Pytorch编译环境搭建的整体流程进行了描述，也就是说走完该博客你就可以开始码代码啦。

一：在本机部署，二：在服务器上部署，三：pycharm与服务器同步上传

1.基础知识介绍

anaconda 为管理软件 在这里你可以安装很多个python 版本，可以很方便的安装各种包

2.安装pycharm专业版

Step1: 官网下载pycharm专业版安装包
Step2: 百度 “安装专业版的pycharm并破解”搜到的教程会有激活码激活或其他激活方法。 只有专业版的才能和服务器同步

一 ：在本机部署

Step1: 官网下载anaconda安装包
Step2: 百度anaconda Windows版安装教程
关键几个点
2.1: 在开始菜单里找到Anaconda Prompt，可以直接使用Anaconda Prompt 而不是cmd终端进入conda操作，（不用在电脑上配置环境变量，更方便），如果使用 Anaconda Prompt ，则后续都在 Anaconda Prompt 操作
2.2: 检查anaconda 是否安装成功： 在Anaconda Prompt输入 conda info
2.3: 在anaconda中安装python虚拟环境（每个anaconda版本都会自带一个python环境，不过为方便管理，可以在envs安装自己所需的Python版本）

    1. 在Anaconda Prompt输入
       conda create –n  python3.11.3 python=3.11.3
        安装成功后可在anaconda3下envs(环境文件夹)看到你安装的python37 （如下图）

Step3: 在anaconda安装pytorch包
3.1 进入 pytorch 官网
按图橘框选择， 将 Run this Command ： 选项后面的代码
conda install pytorch torchvision cpuonly -c pytorch
复制到Anaconda Prompt 命令窗口运行，后续操作请百度

3.2 安装其它包 conda install name(包的名字)
3.3. 百度如何在pycharm选择anaconda 中python3.7解释器的环境（当然也可以选择anaconda 中你安装的其他python解释器的环境）
如图显示一串Package后表示解释器环境配置成功

3.4 测试安装是否成功
写一个最简单的.py脚本试在pycharm中运行 如简单的输出helloworld
在.py 脚本，输入import torch 导入torch包 ,看是否会报错

二： 在服务器上部署

1.安装Xshell 和Xftp

Step1: 安装 Xshell 和Xftp 软件，和安装平时的软件无差别
Step2: 请服务器管理员创建一个服务器账号。
Step3: 在Xshell 登录自己账号 主机：192.168.1.19，如图

在点击用户身份认证

进入后，类似这个界面

Step4：XShell基本命令
4.1 输入ls 可查看当前文件夹下的文件
4.2 输入cd 当前文件夹下的文件的文件名，便可进入该文件夹 输入ls 可查看该文件夹下的文件
4.3 输入 cd . .还回上一个文件夹
Step5: 在Xftp 登录自己账号，类似这个界面
左边是你本地文件夹，右边是你服务器账号下的文件夹

2.在服务器上安装Anaconda及pytorch包

可以直接拷贝服务器上其他人已经安装好的Anaconda文件，无需自己安装。自己安装则步骤如下
1.安装Anaconda
Step1: 在Anaconda官网上下载Linux版本Anaconda
Step2: 在Xftp 左边找到anaconda linux版本安装包 双击自动上传到你服务器账号下，在右边可以看到
Step3: 百度 在服务器上安装anaconda 。 在服务器上安装Anaconda
2. anaconda中安装python
Step1: 在XSell输入
conda create -n python3.11.3 python=3.11.3
安装成功后可在Sftp右边你服务器文件anaconda3下envs(环境文件夹) 看到你安装的python3.11.3
Step1: 如需要用到其他python版本如python3.5 在Anaconda Prompt输入
conda create -n python35 python = 3.5
3. 安装pytorch包
Step1: 进入pytorch官网
如橘框选择，在XShell中输入 Run this Command 选项后面框里的命令行（其中CUDA指支持GPU加速.安装CUDA时版本不要新过anaconda CUDA的版本
Step2: 检测CUDA是否可用
在命令窗口输入代码：torch.cuda.is_available() 会输出 True

4. 百度在pycharm软件中选择服务器的解释器环境（多百度几个链接，有些链接并不适合你安装的pycharm）
5. 百度pycharm 设置文件同步上传
最后实现的效果图与下图类似
左边显示的是本地文件，中间是打开了的本地.py文件，右边显示的是服务器上的
编辑本地.py文件后按Ctrl S
本地和服务器上的.py 会同步更改保存

注：同步保存步骤如下：
1.将deployment中的 Automatic Upload 的选中，
再在Options选项里选了按Ctrl S自动上传。
也可以选always,文件有变化就主动上传，点击运行就主动上传
2. 右击鼠标点 三角形Run’py文件名’;可运行程序
1. 关于文件同步上传

2：关于在pycharm配置(服务器上自己账户下anaconda里pytorch解释器)的环境

3. 关于pycharm运行环境配置
   
   

Pytorch 实现VGG16的CIFAR10分类

CNN02：Pytorch实现VGG16的CIFAR10分类
将代码对应部分改为如下即可运行

'''下载训练集 CIFAR-10 10分类训练集'''
train_dataset = torchvision.datasets.CIFAR10('./data', train=True,
                                              transform =
                                                        transforms.Compose([
                                                        transforms.ToTensor(),
                                                        transforms.Normalize(mean=[0.5], std=[0.5])
                                                        ]),
                                                        download=True（下载数据集为真）
                                             )
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)#shuffle为真表示每次迭代数据的时候将数据打乱
test_dataset = torchvision.datasets.CIFAR10('./data', train=False,
                                             transform=
                                                      transforms.Compose([
                                                      transforms.ToTensor(),
                                                      transforms.Normalize(mean=[0.5], std=[0.5])
                                                      ])
                                            )
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

4. 关于pycharm运行环境配置（另一种操作习惯）