环境搭建
基础开发环境搭建
根据拥有的设备来进行驱动安装,具体设备信息如下:
表2-1 设备信息
CPU | 内存 | 操作系统 |
Intel(R) Core(TM) i5-8265U CPU @ 1.60GHz 1.80 GHz | 8G | Windows11 64位 |
CUDA的下载安装
进入NVIDIA官网,根据图2-1和图2-2的指示,找到所需要安装的CUDA。
图 2-1 CUDA Toolkit位置示意图
图2-2 CUDA下载界面
按上图点击后,官网根据电脑配置自动推荐最高可用版本进行下载,根据设备信息选择图2-3中的CUDA进行安装并完成。
图2-3 设备信息对应的CUDA版本示意图
cudnn的下载安装
下载对应CUDA版本信息的cudnn版本,如图2-4所示:
图2-4 对应CUDA版本的cudnn示意图
下载的文件为zip文件,将其解压后,将解压后的文件中的三个文件放入CUDA安装的development路径,即完成cudnn的安装,自此基础环境的搭建已完成。
深度学习环境搭建
miniconda的安装
对于miniconda来说,它属于anaconda的轻装版本,主要包含有 conda、python、 pip、zlib 等,两者安装上基本没有任何差别。
进入miniconda官网下载好后,将miniconda放在一个具有简易路径的文件中,以便于以后的工作,如图2-5所示:
图2-5 miniconda目录展示图
环境初创建
使用miniconda来创建环境。
安装好后,点击【开始】菜单——搜索miniconda,打开miniconda后如图2-6所示:
图2-6 miniconda已打开
打开后,首先查看自己的python版本,在命令行运行以下指令,如图2-7所示:
python
图2-7 查看python版本
上述操作可以确认python版本为3.10。
创建环境:输入以下命令,并执行,运行结果如图2-8所示。
conda create -n mypytorch python=3.10
图2-8 创建mypytorch环境示意图
这里用mypytorch来为环境进行命名,根据指令提示键入y并执行,等待出现三个down创建成功,此时键入下列指令即表示环境创建成功如图2-9所示。
activate mypytorch
图2-9 mypytorch环境激活完成示意图
运用python中的pip安装所需依赖包,具体安装依赖如下展示:
pip install backcall
pip install bleach
pip install certifi
pip install cycler
pip install tensorflow
pip install markdown
pip install numpy
pip install matplotlib
pip install pandas
pip install parso
pip install pexpect
pip install pickleshare
pip install pillow
pip install protobuf
pip install ptyprocess
pip install pyasn1
pip install pyparing
pip install scikit-learn
pip install scipy
pip install tensorflow-gpu
pip install torch
pip install wcwidth
pip install idna
pip install importlib-metadata
pip install ipykernel
pip install ipython
pip install jedi
pip install traitlets
pip install urllib3
pip install joblib
pip install jupyter-client
pip install jupyter-core
pip install keras
pip install simplegeneric
pip install six
pip install entrypoints
pip install h5py
pip install sklearn
pip install Cython
pip install dataclasses
pip install decorator
pip install kiwisolver
可添加镜像提高安装速度,如下所示:
-i https://pypi.tuna.tsinghua.edu.cn/simple/
安装好后依赖如图2-10所示:
图2-10 查看已下载依赖
将所设置的环境导入pycharm中,操作如下图2-11,图2-12和图2-13所示:
图2-11 设置python解释器
图2-12 部署深度学习环境中的python
图2-13 深度环境部署成功
完成如上操作后,就能在pycharm中创建以深度学习环境为基础的项目。自此,深度学习环境搭建完成。