深度学习环境配置（Aanconda+cuda+pytorch)

已于 2023-03-28 10:02:52 修改
阅读量5.5k 收藏 103
点赞数 11
文章标签： 深度学习 pytorch python
于 2023-01-07 16:04:02 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/rain_turns_shade/article/details/128586503
版权

文章目录

深度学习环境配置

一.下载Anaconda

1.Anaconda安装包下载

①从官网下载（速度感人）

官网下载网址：https://www.anaconda.com/products/distribution

②从清华大学开源软件镜像下载（推荐）

镜像网址：https://mirrors.bfsu.edu.cn/anaconda/archive/

选择自己电脑所适配的版本。（推荐下载Anaconda3系列版本）

在这里插入图片描述

2.Anaconda的安装

找到下载好的安装包，右键点击，以管理员的身份运行。
在这里插入图片描述

点击Next。
在这里插入图片描述

点击I Agree

在这里插入图片描述

选择All Users，然后点击Next。
在这里插入图片描述

可修改安装路径，根据自己习惯设置安装路径即可（此安装路径需要记住，因为若自动配置环境变量时失败，需手动配置环境变量）。然后点击Next。
在这里插入图片描述

都勾选上，第一个选项是自动配置环境变量（若无法勾选，则后续需要手动配置环境变量）。最后Install。等待安装完成，点击Next，点击Finish即可。自此Anaconda安装完成。

在这里插入图片描述

3.手动配置环境变量

打开系统环境变量：此电脑----->属性----->高级系统设置----->环境变量----->path----->编辑----->新建

或者直接按win键，搜索“环境变量”。然后单击打开，按下图步骤即可。

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

点击新建，添加环境变量。（要与自己的安装目录相对应，找到自己安装Anaconda的目录黏贴过来即可）

F:\Software\Anaconda 
F:\Software\Anaconda\Scripts 
F:\Software\Anaconda\Library\mingw-w64\bin
F:\Software\Anaconda\Library\usr\bin 
F:\Software\Anaconda\Library\bin

在这里插入图片描述

添加完成后点击确定。

在这里插入图片描述
在这里插入图片描述

4.检查是否配置成功

win+R，输入 cmd，点击确定。进入命令行窗口。
在这里插入图片描述

输入：conda --version。查看conda版本，若成功显示，则安装成功，如果显示conda不是内部或外部命令，则一般是环境变量配置出错，去检查环境变量配置即可。

conda --version

在这里插入图片描述

二.下载cuda

1.安装文件的准备

①cuda安装包下载

CUDA toolkit Download：

https://developer.nvidia.com/cuda-toolkit-archive

下载的CUDA工具包一定要适配自己的电脑显卡。
在这里插入图片描述
在这里插入图片描述

选择自己显卡配置适配的cuda版本，可参照下图。

img
查看自己电脑显卡配置，可通过桌面空白处单击右键，选择NVIDIA控制面板，控制面板出现后，点击左下角系统信息，

选择组件选项卡，文件名列找到 NVCUDA.DLL，其对应的产品名称中，含有可适配的最高cuda版本（我的电脑显卡最高适配10.0.132，所以我最高可下载10.0版本的CUDA Tookit）
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

②cuDNN 压缩包下载

cuDNN Download：cuDNN地址如下，不过要注意的是，我们需要注册一个账号，才可以进入到下载界面。大家可以放心注册的。

https://developer.nvidia.com/rdp/cudnn-download

可以使用下面网址，查看并下载适配的 cuDNN

https://developer.nvidia.com/rdp/cudnn-archive

根据之前下载的cuda版本选择下载对应的cuDNN，（我下载的是v7.6.5版本）
在这里插入图片描述
我的电脑是Windows系统的，根据不同的系统下载不同的安装包。
在这里插入图片描述

至此，安装文件准备完成，下面开始安装。

2.cuda的安装与配置

①cuda安装

找到下载好的cuda安装包，右键选择以管理员身份运行。
在这里插入图片描述

可以修改安装路径，推荐使用默认安装路径。然后点击ok，等待安装即可。
在这里插入图片描述

等待系统检查完成，点击同意并继续。
在这里插入图片描述

选择自定义安装，点击下一步。
在这里插入图片描述

在CUDA下，取消勾选Visual Studio，因为就算选择安装VS，很大概率也会安装失败。然后点击下一步。
在这里插入图片描述

选择安装位置（推荐使用默认），选择好安装位置后点击下一步

重点！！！一定要记住此安装位置，后续配置环境变量需要用到。
在这里插入图片描述

等待安装完成即可。

检查环境变量中是否添加了路径，如果没有，则需要自己手动添加。
在这里插入图片描述

②手动添加环境变量

选择Path后点击编辑，将下列两个环境变量添加进去即可（要与自己cuda的安装路径相一致）。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\libnvvp

在这里插入图片描述

在这里插入图片描述

③测试环境是否安装成功

命令行输入nvcc --version，若显示已安装的cuda版本，则表示安装完成。

nvcc --version

在这里插入图片描述

3.cuDNN的配置

①解压cuDNN文件

找到下载好的cuDNN压缩包后解压，解压后的文件如下。解压后有三个文件夹，把三个文件夹拷贝到cuda的安装目录下。
在这里插入图片描述

在这里插入图片描述

我的cuda的安装目录，将文件拷贝到此目录下，替换已存在的文件即可。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0

在这里插入图片描述

②添加环境变量
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib

在这里插入图片描述

③测试环境是否安装成功

在此目录下输入cmd

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\demo_suite

在这里插入图片描述
在这里插入图片描述

输入bandwidthTest.exe和deviceQuery.exe，得到下图，表示安装成功。

bandwidthTest.exe
deviceQuery.exe

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

三.下载pytorch

1.安装pytorch

①pytorch官网安装最新版本

https://pytorch.org/

选择对应的版本，将Run this Command中的代码复制，黏贴到命令行中运行。等待安装即可。
在这里插入图片描述

在这里插入图片描述

②安装历史版本

https://pytorch.org/get-started/previous-versions/

在官网中找到对应的cuda版本，复制代码到命令行中运行。
在这里插入图片描述

③安装pytorch

以管理员的身份运行命令行窗口
在这里插入图片描述
使用Anaconda创建一个虚拟环境

conda create -n my_pytorch python=3.8.0

在这里插入图片描述
安装好python虚拟环境后，进入虚拟环境。

activate my_pytorch

在这里插入图片描述

进入安装好python的运行环境后，就可以将官网的torch下载命令复制过来了。我这里使用的pip方式安装，也可以使用conda命令安装。

pip install torch==1.12.1+cu116 torchvision==0.13.1+cu116 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu116

在这里插入图片描述

2.检测是否安装成功

在命令行中输出 python 。进入python交互式窗口。
在这里插入图片描述

导入torch包，检查gpu是否可用。如果返回True，就代表安装成功了。

import torch
torch.cuda.is_available()

在这里插入图片描述

3.使用镜像路径

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

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

然后再去pytorch官网复制下载代码，记得删掉后面的-c pytorch,因为它表示从官网进行下载，不从清华镜像源下。

4.卸载pytorch

pytorch使用什么方式安装的，就使用什么方式卸载。

①执行conda方式
conda uninstall pytorch
conda uninstall libtorch
②执行pip方式
pip uninstall torch

四.参考博客

https://blog.csdn.net/fan18317517352/article/details/123035625
https://blog.csdn.net/weixin_43848614/article/details/117221384
https://blog.csdn.net/qq_41936559/article/details/102699082

五.安装讲解视频

【Anaconda软件的安装】 https://www.bilibili.com/video/BV1cX4y1f7X5
【CUDA的安装】 https://www.bilibili.com/video/BV19g4y147wG
【pytorch的安装】 https://www.bilibili.com/video/BV1jo4y1z72i

超勇的阿杰
关注
  • 11
    点赞
  • 踩
  • 103
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习+Pytorch+LSTM+文本分类实战
10-09
深度学习+Pytorch+LSTM+文本分类实战
Pytorch+深度学习入门PPT
08-12
Pytorch+深度学习入门PPT
深度学习环境配置——conda虚拟环境安装CUDA和CUDNN
tyyhmtyyhm的博客
03-20 2423
人生来就不是为了被打败的，人能够被毁灭，但是不能够被打败。—— 海明威《老人与海》
深度学习环境配置超详细教程【Anaconda+PyTorch(GPU版)+CUDA+cuDNN】
热门推荐
qq_43874102的博客
02-27 10万+
深度学习环境配置 入门深度学习，首先要做的事情就是要搭建深度学习的环境。不管你是Windows用户，Mac用户还是Ubuntu用户，只要电脑配置允许，都可以做深度学习，毕竟Windows、Mac和Ubuntu系统都可以进行深度学习环境的搭建。接下来就记录下自己在Windows系统上搭建深度学习环境的过程，方便自己存档也为大家提供一个参考。 本次环境配置主要模式是基于Anaconda+PyTorch(GPU版)+CUDA+cuDNN进行搭建的。..................
深度学习环境搭建和配置的详细描述
xw555666的博客
02-01 1643
深度学习环境配置是一个复杂但必要的过程，确保您能够在计算机上搭建一个稳定、高效的平台来运行各种深度学习框架（如TensorFlow、PyTorch、Keras等）以及训练神经网络模型。深度学习环境搭建的底层逻辑旨在实现软件环境的标准化、模块化和自动化，它涵盖了从底层操作系统到上层应用程序所需的所有必要组件，并确保这些组件之间的协同工作和高效运行。
【深度学习】深度学习环境配置指南！（Windows、Mac、Ubuntu全讲解）
fengdu78的博客
05-22 238
作者：伍天舟、马曾欧、陈信达入门深度学习，很多人经历了从入门到放弃的心酸历程，且千军万马倒在了入门第一道关卡：环境配置问题。俗话说，环境配不对，学习两行泪。如果你正在面临配置环境的痛苦，不管你是Windows用户、Ubuntu用户还是苹果死忠粉，这篇文章都是为你量身定制的。接下来就依次讲下Windows、Mac和Ubuntu的深度学习环境配置问题。一、Windows系统深度学习环境配置系统：Win...
深度学习环境配置
weixin_54420535的博客
06-24 1064
深度学习环境安装配置
史上最完整的深度学习环境配置教程，亲自踩雷，看必会（包含问题解决）配置Anaconda+Pycharm+Pytorch+Jupyter
weixin_52589768的博客
07-04 7042
本人浏览了大量教程，踩过很多的坑，我将配置的过程详细具体的教给大家，只要按照步骤来一定可以配置成功。
深度学习环境配置指南！（Windows、Mac、Ubuntu全讲解）
weixin_38649779的博客
08-02 2063
所有的深度学习环境安装指南到这里就结束了，希望能解决你面临的环境配置难题。关于实践项目，可以结合阿里天池的学习赛进行动手实践。
史上最全深度学习环境配置教程---适用于各种深度学习框架---Pytorh TensorFlow Keras-等和各种python环境
爱吃橘子的小翟
05-08 5762
鉴于我之前学深度学习，图像处理的时候走了很多弯路踩了很多坑的情况（其实主要是最近不想学习，想水一期博客），决定出一期深度学习环境配置的教程，因为我之前配置opencv的环境，TensorFlow的环境，pytorch的环境，都踩了了很多坑，所以我决定全方位的讲解一下python的环境配置问题，不管大家以后配置什么环境，只要是python的包括web的flask环境Django环境也一样，直接按照我的方法来就行了，很简单，一通百通。我们要配置环境，一定要下载软件，我个人是非常主张所有软件都采用谷歌浏览器下载的
深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】
好好读书
12-18 8743
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🏔。
打造自己的深度学习环境
05-27
打造自己的深度學習計算環境 本文告訴您如何在有限預算內，從硬體採購、組裝、作業系統選擇、軟體安裝與設定，自行 打造與NVIDIA DIGITS DEVBOX相當的深度學習計算環境。
深度学习+离线配置环境+pytorch
05-10
深度学习+离线配置环境+pytorch
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。
windows10环境下安装深度学习环境anaconda+pytorch+CUDA+cuDDN
01-07
windows10环境下安装深度学习环境anaconda+pytorch+CUDA+cuDDN 步骤零：安装anaconda、opencv、pytorch（这些不详细说明）。复制运行代码，如果没有报错，说明已经可以了。不过大概率不行，我的会报错提示AssertionError: Torch not compiled with CUDA enabled。说明需要安装CUDA，或者安装的pytorch版本是不带CUDA的版本，需要按照以下步骤操作。 步骤一：安装CUDA 步骤二：安装cuDDN 步骤三：测试运行代码 附：电脑不支持CUDA或者不想用gpu加速深度学习的 1. 安装CUDA 这就是
pytorch+CUDA+CUDNN配置教程
12-20
首先贴上参考教程的链接pytorch配置教程 如果是Ubuntu下配置参考链接ubuntu下配置pytorch https://www.cnblogs.com/jisongxie/p/10055411.html 如果是windows下可以跳过这两个链接 深度学习第一步A.Step1:Install Python 3.6B.Step2:Install PytorchC.Step3: Install CUDA+CUDNND.其他包的安装 A.Step1:Install Python 3.6 首先安装python，官网下载安装包https://www.python.org/downloads/这里有
深度学习环境配置Anaconda+Pycharm+CUDA+CUdnn+PyTorch+Tensorflow.txt
09-23
深度学习环境配置Anaconda+Pycharm+CUDA+CUdnn+PyTorch+Tensorflow
Python数据分析案例44——基于模态分解和深度学习的电负荷量预测(VMD+BiGRU+注意力)
最新发布
weixin_46277779的博客
05-04 812
使用模态分解+各种神经网络进行风电预测。['LSTM', 'GRU', 'CNN', 'MLP', 'CNN+LSTM', 'BiLSTM', 'Attention','BiGRU+Attention', 'MultiHeadAttention']
第G9周：ACGAN理论与实战
S153580的博客
04-28 1061
这段代码是生成对抗网络（GAN）的训练过程的一部分，它包括生成器、判别器、数据加载器、优化器以及一个保存生成图像的函数。代码首先定义了生成器和判别器，然后设置GPU支持，初始化权重，配置数据加载器，创建优化器，并定义了一个保存生成图像的函数。这段代码是生成对抗网络（GAN）的训练过程，其中包含了多个循环，用于迭代地训练生成器和判别器。判别器网络是生成对抗网络（GAN）的另一部分，它的目标是区分输入的图像是否是真实图像。生成器网络是生成对抗网络（GAN）的一部分，它学习如何从随机噪声生成真实的图像。
python+pytorch+cuda+cudnn
06-06
Python是一种高级编程语言，其简洁易学和强大的扩展性使其成为数据科学、人工智能和机器学习等领域的特别受欢迎的语言。 PyTorch是一个开源的深度学习框架，它被广泛用于人工智能和机器学习任务中. PyTorch是由Torch框架发展而来的，它通过提供动态图的支持和强大的张量操作来加速了深度学习的研究和应用。 CUDA (Compute Unified Device Architecture)是由英伟达公司推出的一种并发计算平台和应用程序编程接口，它允许使用GPU加速计算，可以将计算任务分配到GPU上，加速计算速度。 cuDNN (CUDA Deep Neural Network)是一种加速深度学习的库，它是由英伟达公司开发的。它在深度学习中采用了优化的算法和数据结构，实现了高效率的卷积、池化、优化器等算法，可以大大提高深度学习的速度和性能。 综上所述，这些技术和工具在人工智能和机器学习领域中发挥了重要作用，并被广泛应用于各种类型的计算任务中，让研究人员和开发人员能够更高效地完成他们的工作。

“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