第四篇：深度学习之pytorch/tensorflow安装~《深度学习炼丹手册-本人亲身实践踏出来的一条菜鸟之路》-4

接上文，本文将详细介绍如何在Windows或Linux-ubuntu16.04下安装常用的深度学习包，安装命令基本类似，区别在于安装包的平台选择。

一、安装Pytorch/Tensorflow

1、利用Anaconda创建虚拟环境

conda create -n pytorch151 python=3.7  # 创建名为pytorch151,python版本为3.7的虚拟环境

注意：如果创建环境失败，或者未安装Anaconda，请阅读本人第三篇：创建深度学习所需的虚拟环境（Windows or Linux-ubuntu16.04）

2、自动下载所需安装包进行安装

优先推荐，如果自动下载失败，请看下一节：手动下载所需安装包文件
(补充一下，下载失败的原因大部分都是 网络波动 造成的，推荐下载前更换pip源，本人前一篇博文有专门提及这个问题，第三篇：创建深度学习所需的虚拟环境（Windows or Linux-ubuntu16.04）)

pip install XXX
# 如果要安装指定版本的，需要指明软件版本号，即
pip install XXX=x.x
# 若安装失败，则查看下一节手动下载所需安装包文件进行安装

3、手动下载所需安装包进行安装

问：官网上提供的大部分是自动下载安装的命令，为何要手动下载？
答：自动下载可能会由于网络波动的原因下载较慢，或下载出错，故需要手动下载。
下载链接：
(1)、https://download.pytorch.org/whl/torch_stable.html
(2)、Anaconda-pytorch / packages / pytorch
(3)、 清华大学开源软件镜像站-Pytroch_Linux64
(4)、清华大学开源软件镜像站-Pytroch_Windows64
(5)、Pypi_Pytorch
(6)、Pypi_Tensorflow
上述六个链接中，选择合适自己版本的下载即可，例如在第一个链接中下载Pytorch151：

前面cu101指的是cuda版本为10.1，cp37指的是python版本是3.7，后面win_amd64指的是系统是windows64。
注意:这里下载的版本必须保持一致，即CUDA，CUDNN，PYTHON，PYTORCH这几个的版本必须对应上，否则安装失败，很多小白就是在这上面吃了大苦头。若笔记本没有独立显卡或者使用的是Amd显卡，则需要安装CPU版本的pytorch，即前面无CU字样的即可使用，但训练速度相对会变慢。

4、安装Pytorch或Tensorflow

找到你下载路径，然后cmd命令窗口或者Terminal终端cd到下载路径：

pip install torch-1.5.1+cu101-cp37-cp37m-win_amd64.whl

如果下载的是.tar.gz文件，则安装命令为:

tar -zxvf xxx.tar.gz   # 安装包解压缩
cd  xxx                # 进入到解压后的目录
./configure            # 有的版本无此命令，则可跳过这一步骤
make install

二、安装其他软件包

这里主要以torchvision为例，其他软件包以类似的方式手动下载后进行安装。例如：第一个下载链接，找到对应Ptorch版本的torchvision，这里仍以Pytorch151举例，对于的torchvision版本:torchvision0.6.1。具体对应版本可自行百度。

然后下载，cd到下载目录，pip安装：

pip install torchvision-0.6.1+cpu-cp37-cp37m-win_amd64.whl

注意：如果在安装过程中出现红色的error，例如：

请仔细检查ERROR，找到错误原因进行针对性解决。（注：一般为网络错误，这时可更换pip源或者手动下载安装包后，进行pip安装即可，之后重新运行上一条安装命令。）

三、Pytorch与Tensorflow之争

（为了水点标题，嘻嘻）
关于Pytorch和Tensorflow两个框架的争论由来已久，大家可以百度搜索一下历史。
我的建议：
科研/纯学习用：无脑Pytorch，谁用谁知道
工业用：Tensorflow。

结语

至此，深度学习所需的环境基本上已经配置完成，如果在配置过程中出现问题，请在评论区留言，本人看到后会尽自己所能帮您解决问题，谢谢~

致谢

感谢以上所有参考博客的作者，是你们的实践减少了后来者所走的弯路，感谢。

上一篇：第三篇：创建深度学习所需的虚拟环境（Windows or Linux-ubuntu16.04）
下一篇：第四篇：科研方向的选择—以计算机视觉为例，敬请期待~