记录一下创建虚拟环境的流程
需要先安装pycharm和Anaconda
1,创建基础环境
环境名随意起,python版本可以按需求指定,使用3.6或者3.9版本的更适用一些,因为如果安装更高版本或者最新版本,后续复现代码可能会 不兼容
conda create -n name python=3.9
2,安装CUDA和cudnn
CUDA是英伟达的GPU驱动,需要根据对应的GPU型号去安装对应版本的驱动。cudnn是为了进行适配深度学习专门开发的对应计算驱动包,需要根据安装的CUDA版本安装对应版本,比如我用的GPU是RTX3090,平台是Linux,在新建环境里安装的是CUDA11.2和cudnn8.1,如果本身已经安装好了驱动,但是是最新的比如CUDA12.5,这个时候可能会跟后续安装的pytorch或者tensorflow深度学习框架找不到对应版本,那就需要在新建的虚拟环境里新装GPU驱动,比如我这里在新环境安装的CUDA11.2和cudnn8.1
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1
如果下载安装过慢,可以进行换源,把默认下载源换成国内的一些镜像源,这里换清华源
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
3,安装深度学习框架
选择pytorch或者tensorflow深度学习框架安装,也需要根据前面安装的CUDA和cudnn版本对应,因为如果版本不匹配会导致pytorch或tensorflow不能调用GPU资源,这样就使用不了GPU训练,前面安装的CUDA11.2,cudnn8.1,这里经过测试安装tensorflow2.5.0,2.6.0都可以,pytorch1.8或1.9都可以。对于tensorflow来说,在1.x版本,tensorflow的GPU版本和CPU版本是分开的,需要安装GPU版本才能调用GPU,例如tensorflow-gpu=1.9.0,而在2.x版本tensorflow的GPU版本和CPU版本合并了(但是有时候还是需要安装GPU版本),这里安装2.5.0是可以调用GPU的
conda install tensorflow==2.5.0
conda install pytorch==1.8
4,安装需要使用的包
在做深度学习任务时,会使用到各种各样的包,像numpy、cv2、matplotlib、scikit-image等等,这些包的版本各有不同不断更新,有些包比较通用,而有些包随着版本的更新有较大的改动像numpy等,此时就需要安装与前面安装的pytorch或ensorflow深度学习框架所对应的版本,这里以numpy举例,前面tensorflow2.5.0,最高支持numpy1.19.5,这里尽量安装支持的最高版本。而pytorch框架对包的兼容性比较好,可以安装更高版本。
conda install numpy==1.19.5
另外,有些包的安装也需要和python版本进行对应,比如cv2,对应版本可以去cv2的官网查询Links for opencv-python (tsinghua.edu.cn),这里python版本为3.9,查到应该装opencv-python==4.4.0.46版本
pip install opencv-python==4.4.0.46
5,结语
建议如果后面需要什么包都要看一下版本是否对应,如果版本冲突就需要重新安装对应包了。
欢迎交流学习