基于Windows中学习Deep Learning之搭建Anaconda+Cudnn+Cuda+Pytorch+Pycharm工具和配置环境完整最简版

基于Windows中学习Deep Learning之搭建Anaconda+Cudnn+Cuda+Pytorch+Pycharm工具和配置环境完整最简版

一、思路和目的

Pytorch（Cuda和Cudnn）架构可以让代码在NVIDIA的GPU上运行，Anaconda（包含Python和Conda等）可以管理包，同时可使用Anaconda虚拟环境安装Pytorch，避免环境之间的冲突。Pycharm工具可以使用Anaconda中的python编译器，同时可以导入Anaconda和Pytorch的包进行相关编码进行运算。建议：先安装Anaconda，然后创建python虚拟环境，再根据需求在对应python虚拟环境安装Cuda和对应的Cudnn和Pytorch，然后连接Pycharm。

二、技术工具介绍及联系

1、Cuda

Cuda是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。也就是说Cuda只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥Cuda的作用。

2、Cudnn

Cudnn是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，Cudnn不是必须的，但是一般会采用这个加速库。

3、Anaconda（创建的每个python虚拟环境都可以由base切换到对应的虚拟环境根据要求自行安装cuda和cudnn及对应的pytorch，此文安装仅限其自带的base python虚拟环境）

Anaconda是目前最流行的数据科学平台以及现代机器学习的基础。同时Anaconda 也是一个Python的发行版，专注于人工智能，天然适合科学计算，数据分析和机器学习，其包管理器是conda。Anaconda distribution 是世界上最流行的Python/R数据科学平台，是在一台机器上开发、测试、训练的工业标准。Anaconda distribution能够使每个数据科学家快速的下载1500+Python/R数据科学包，能够使用Conda管理库和依赖项以及环境，能够用scikitlearn/Tensorflow/Theano开发和训练机器学习和深度学习模型，能够用Dask/Numpy/Pandas/Numba分析可伸缩性和性能的数据，能够用Matplotlib/Bokeh/Datashader/Holoviews可视化结果。

4、Pytorch

Pytorch是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。

5、Pycharm

PyCharm是一种Python IDE，带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制。将Anaconda中的python.exe集成到Pycharm中，便可以在使用PyCharm的过程中使用到所有Anaconda的包了。

三、安装Cuda（看看就行）

1、在自己电脑找到并打开NVIDIA控制面板，并点击“系统信息”。

2、在系统信息中可以找到自己电脑GPU的驱动程序版本，比如博主电脑的GPU驱动程序版本就是Windows x86_64 Driver Version 391.25。（注意：如果版本太低可以选择更新一下驱动版本（点击此链接打开更新驱动方法流程），博主建议大家一定要更新，至于更新到什么版本可以参考博主安装Pytorch的步骤时的NVIDIA驱动程序版本，方便后面安装其他的torch包，否则很容易因为版本不匹配报错，并且只能重头卸载再安装）

3、GPU的驱动程序版本和Cuda的版本对应关系如下图所示，比如博主电脑驱动程序的版本就是Windows x86_64 Driver Version 391.25，对应下载的Cuda版本就是Cuda 9.0（9.0.76）。

4、点击下面的链接进入Cuda官网下载网页。

Cuda官网下载网页：点击链接打开网页

5、根据第3步找到对应要下载的Cuda版本，比如博主电脑对应下载的Cuda版本是Cuda 9.0（9.0.76），所以再点击CUDA Toolkit 9.0。