anaconda深度学习环境搭建：tensorflow和pytorch

已于 2022-10-17 09:03:36 修改
阅读量2.3k 收藏 29
点赞数 2
分类专栏： 软件安装及使用 文章标签： 深度学习 python 人工智能
于 2022-07-02 14:54:39 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/weixin_42250302/article/details/125569636
版权

文章目录

想运行深度学习的代码，第一步就是搭建深度学习环境，无论是使用什么框架（pytorch、tensorflow），还是使用什么操作系统（windows，linux）。
运行代码时要想加速训练的话，肯定要使用GPU，一般用户大多数都是用nvidia显卡，而这时就需要配置cuda、cudnn啥的，而手动配置比较麻烦，需要先去官网下载，还得配置环境变量啥的。所以本文介绍使用anaconda配置深度学习环境的方法。

1 anaconda

1.1 什么是anaconda，它有什么用

简单的说，anaconda是一个环境管理和包管理的工具，是一个跨平台的软件，可以用它方便的创建、切换python虚拟环境，为python虚拟环境安装第三方包。主要命令是conda，可使用这个命令来实现环境的创建、切换和包的安装。

除了anaconda，其实还有一个miniconda，miniconda可以看作是anaconda的精简版，它只允许使用conda命令进行操作，而不提供图形界面和其它anaconda具有的功能（比如jupyter notebook啥的）。如果没有图形界面操作需要的话，可以安装miniconda，miniconda安装包比较小，安装之后占用的空间也小。

当然，如果不喜欢anaconda的话，只用python解释器也行，使用python也可以创建虚拟环境，再激活相应的虚拟环境，再安装相应的深度学习框架和第三方包，使用GPU的话，还需要手动配置cuda啥的，这样比较麻烦。使用conda只是比较方便而已。

1.2 安装anaconda

进入anaconda官网，根据自己的操作系统选择相应的安装文件或安装脚本下载即可。
在这里插入图片描述
具体安装过程不再详述，按照提示操作即可。

2 搭建深度学习环境

2.1 使用pytorch


pytorch版本和python版本对应关系

torchtorchvisionpython
main / nightlymain / nightly>=3.7, <=3.10
1.12.00.13.0>=3.7, <=3.10
1.11.00.12.0>=3.7, <=3.10
1.10.20.11.3>=3.6, <=3.9
1.10.10.11.2>=3.6, <=3.9
1.10.00.11.1>=3.6, <=3.9
1.9.10.10.1>=3.6, <=3.9
1.9.00.10.0>=3.6, <=3.9
1.8.20.9.2>=3.6, <=3.9
1.8.10.9.1>=3.6, <=3.9
1.8.00.9.0>=3.6, <=3.9
1.7.10.8.2>=3.6, <=3.9
1.7.00.8.1>=3.6, <=3.8
1.7.00.8.0>=3.6, <=3.8
1.6.00.7.0>=3.6, <=3.8
1.5.10.6.1>=3.5, <=3.8
1.5.00.6.0>=3.5, <=3.8
1.4.00.5.0==2.7, >=3.5, <=3.8
1.3.10.4.2==2.7, >=3.5, <=3.7
1.3.00.4.1==2.7, >=3.5, <=3.7
1.2.00.4.0==2.7, >=3.5, <=3.7
1.1.00.3.0==2.7, >=3.5, <=3.7
<=1.0.10.2.2==2.7, >=3.5, <=3.7

这个表是目前为止所有版本的对应关系，需要注意的是随着时间的推移，此表内容会被更新，因此最新信息请移步官方链接查看。

2.1.1 不使用GPU

进入pytorch官网
在这里插入图片描述
比如使用1.12.0版本的torch，那么从上表可知，选择的python版本要>=3.7, <=3.10，那么便可以使用如下命令操作

# 进入anaconda会自动激活base环境。我们要做的是创建自己的虚拟环境并激活，然后再使用
# 这里的python版本只要符合表中要求即可
(base) root@server:~# conda create --name torch-env python=3.9 -y
(base) root@server:~# conda activate torch-env
(torch-env) root@server:~#

在官网界面根据实际情况进行相应选择即可。下面最后一行是安装命令，原样执行即可

# 执行之前要先激活对应的虚拟环境
(torch-env) root@server:~# conda install pytorch torchvision torchaudio cpuonly -c pytorch

2.1.2 使用GPU

需要注意的是，如果使用GPU，则还需要搞清楚自己使用的显卡型号、显卡驱动版本。因为不同的显卡算力不同，不同版本cuda支持的显卡算力也不同，cuda版本和显卡驱动版本也有关系。


1、显卡型号及算力。以下是部分图示。
在这里插入图片描述

2、不同版本cuda支持的GPU算力

The nvcc compiler included with versions 10.x (10.0, 10.1 and 10.2) of the CUDA Toolkit 
can generate cubins native to the Volta and Turing architectures (compute capability 7.x).

With versions 11.0 of the CUDA Toolkit, nvcc can generate cubin native to the NVIDIA 
Ampere GPU architecture (compute capability 8.0).

简单的说

cuda版本支持的GPU算力
10.x7.x
11.08.0


3、cuda版本和显卡驱动对应关系

CUDA ToolkitLinux x86_64 Driver VersionWindows x86_64 Driver Version
CUDA 11.7 GA>=515.43.04>=516.01
CUDA 11.6 Update 2>=510.47.03>=511.65
CUDA 11.6 Update 1>=510.47.03>=511.65
CUDA 11.6 GA>=510.39.01>=511.23
CUDA 11.5 Update 2>=495.29.05>=496.13
CUDA 11.5 Update 1>=495.29.05>=496.13
CUDA 11.5 GA>=495.29.05>=496.04
CUDA 11.4 Update 4>=470.82.01>=472.50
CUDA 11.4 Update 3>=470.82.01>=472.50
CUDA 11.4 Update 2>=470.57.02>=471.41
CUDA 11.4 Update 1>=470.57.02>=471.41
CUDA 11.4.0 GA>=470.42.01>=471.11
CUDA 11.3.1 Update 1>=465.19.01>=465.89
CUDA 11.3.0 GA>=465.19.01>=465.89
CUDA 11.2.2 Update 2>=460.32.03>=461.33
CUDA 11.2.1 Update 1>=460.32.03>=461.09
CUDA 11.2.0 GA>=460.27.03>=460.82
CUDA 11.1.1 Update 1>=455.32>=456.81
CUDA 11.1 GA>=455.23>=456.38
CUDA 11.0.3 Update 1>= 450.51.06>= 451.82
CUDA 11.0.2 GA>= 450.51.05>= 451.48
CUDA 11.0.1 RC>= 450.36.06>= 451.22
CUDA 10.2.89>= 440.33>= 441.22
CUDA 10.1 (10.1.105 general release, and updates)>= 418.39>= 418.96
CUDA 10.0.130>= 410.48>= 411.31
CUDA 9.2 (9.2.148 Update 1)>= 396.37>= 398.26
CUDA 9.2 (9.2.88)>= 396.26>= 397.44
CUDA 9.1 (9.1.85)>= 390.46>= 391.29
CUDA 9.0 (9.0.76)>= 384.81>= 385.54
CUDA 8.0 (8.0.61 GA2)>= 375.26>= 376.51
CUDA 8.0 (8.0.44)>= 367.48>= 369.30
CUDA 7.5 (7.5.16)>= 352.31>= 353.66
CUDA 7.0 (7.0.28)>= 346.46>= 347.62

一般来说，高版本是兼容低版本的，也就是说cuda10.x支持的显卡，cuda11.x肯定支持；cuda11.2.x支持的，cuda11.7.x肯定支持。所以，到底该怎么确定这些版本呢？

  1. 查看自己GPU型号，确定GPU算力。
  2. 把自己的显卡驱动升到最新版本（不说最新，至少版本别太旧）。
  3. 确定cuda版本。这里一个原则是，选择框架支持的较新的cuda版本，或许觉得自己显卡型号旧，算力低，没关系，直接往高版本搞，人家cuda版本都能支持8.x的算力了，支持你5.x、6.x、7.x那不绰绰有余？
  4. 确定pytorch框架版本。
  5. 确定python版本。python版本的选择取决于框架版本。

下面举个例子。
1、确定显卡型号

(torch-env) root@server:~# nvidia-smi -L
GPU 0: NVIDIA GeForce RTX 2080 Ti (UUID: GPU-***-***-***-***-***)
GPU 1: NVIDIA GeForce RTX 2080 Ti (UUID: GPU-***-***-***-***-***)
GPU 2: NVIDIA GeForce RTX 2080 Ti (UUID: GPU-***-***-***-***-***)
GPU 3: NVIDIA GeForce RTX 2080 Ti (UUID: GPU-***-***-***-***-***)
GPU 4: NVIDIA GeForce RTX 2080 Ti (UUID: GPU-***-***-***-***-***)
GPU 5: NVIDIA GeForce RTX 2080 Ti (UUID: GPU-***-***-***-***-***)

可以看到，这里的显卡型号为NVIDIA GeForce RTX 2080 Ti，根据上面那个表可以看出，此显卡算力为7.5。

2、选择合适的显卡驱动。
直接更新到最新吧。

3、确定cuda版本
由步骤1可知，目标版本的cuda支持的算力要高于7.5。只要深度学习框架支持，选择较新版本的cuda肯定不会错。这里暂定选择11.x版本的cuda。

4、确定pytoch版本

用conda搜索一下软件源有的cuda

(torch-env) root@server:~# conda search cudatoolkit
Loading channels: done
# Name                       Version           Build  Channel
cudatoolkit                      7.5               0  anaconda/pkgs/free
cudatoolkit                      7.5               2  anaconda/pkgs/free
cudatoolkit                      8.0               1  anaconda/pkgs/free
cudatoolkit                      8.0               3  anaconda/pkgs/free
cudatoolkit                      9.0      h13b8566_0  anaconda/pkgs/main
cudatoolkit                      9.0      h13b8566_0  pkgs/main
cudatoolkit                      9.2               0  anaconda/pkgs/main
cudatoolkit                      9.2               0  pkgs/main
cudatoolkit                 10.0.130               0  anaconda/pkgs/main
cudatoolkit                 10.0.130               0  pkgs/main
cudatoolkit                 10.1.168               0  anaconda/pkgs/main
cudatoolkit                 10.1.168               0  pkgs/main
cudatoolkit                 10.1.243      h6bb024c_0  anaconda/pkgs/main
cudatoolkit                 10.1.243      h6bb024c_0  pkgs/main
cudatoolkit                  10.2.89      hfd86e86_0  anaconda/pkgs/main
cudatoolkit                  10.2.89      hfd86e86_0  pkgs/main
cudatoolkit                  10.2.89      hfd86e86_1  anaconda/pkgs/main
cudatoolkit                  10.2.89      hfd86e86_1  pkgs/main
cudatoolkit                 11.0.221      h6bb024c_0  anaconda/pkgs/main
cudatoolkit                 11.0.221      h6bb024c_0  pkgs/main
cudatoolkit                   11.3.1      h2bc3f7f_2  anaconda/pkgs/main
cudatoolkit                   11.3.1      h2bc3f7f_2  pkgs/main

进入pytorch官网
在这里插入图片描述

pytorch支持的最新的cuda 11.6支持的显卡算力肯定够了，但是conda软件源最高只有cuda 11.3因此这里选择cuda 11.3

5、确定python版本
比如使用1.12.0版本的torch，那么从对应关系表可知，选择的python版本要>=3.7, <=3.10。

整个安装过程如下所示：

# 进入anaconda会自动激活base环境。我们要做的是创建自己的虚拟环境并激活，然后再使用
# 这里的python版本只要符合表中要求即可
(base) root@server:~# conda create --name torch-env python=3.9 -y
(base) root@server:~# conda activate torch-env
(torch-env) root@server:~# conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

查看框架版本和GPU是否可用

# 进入python环境
(torch-env) root@server:~# python
>>> import torch
>>>
>>> torch.__version__
***
>>>
>>> torch.cuda.is_available()
True

2.2 使用tensorflow

tensorflow官网
这里只说明TensorFlow 2的搭建步骤。
TensorFlow 2 packages require a pip version >19.0 (or >20.3 for macOS).

2.2.1 不使用GPU

tensorflow版本、python版本对应关系

VersionPython version
tensorflow-2.9.03.7-3.10
tensorflow-2.8.03.7-3.10
tensorflow-2.7.03.7-3.9
tensorflow-2.6.03.6-3.9
tensorflow-2.5.03.6-3.9
tensorflow-2.4.03.6-3.8
tensorflow-2.3.03.5-3.8
tensorflow-2.2.03.5-3.8
tensorflow-2.1.03.5-3.7
tensorflow-2.0.03.5-3.7
tensorflow-1.15.03.5-3.7
tensorflow-1.14.03.5-3.7
tensorflow-1.13.03.5-3.7
tensorflow-1.12.03.5-3.6
tensorflow-1.11.03.5-3.6
tensorflow-1.10.03.5-3.6
tensorflow-1.9.03.5-3.6
tensorflow-1.8.03.5-3.6
tensorflow-1.7.03.5-3.6
tensorflow-1.6.03.5-3.6
tensorflow-1.5.03.5-3.6
tensorflow-1.4.03.5-3.6
tensorflow-1.3.03.5-3.6
tensorflow-1.2.03.5-3.6
tensorflow-1.1.03.5
tensorflow-1.0.03.5

1、安装最新稳定版tensorflow

(base) root@server:~# conda create --name tf29-py39 python=3.9 -y
(base) root@server:~# conda activate tf29-py39

# Requires the latest pip
(tf29-py39) root@server:~# pip install --upgrade pip

# Current stable release for CPU and GPU
(tf29-py39) root@server:~# pip install tensorflow

2、安装指定版tensorflow

(base) root@server:~# conda create --name tf24-py38 python=3.8 -y
(base) root@server:~# conda activate tf24-py38
(tf24-py38) root@server:~# pip install --upgrade pip
(tf24-py38) root@server:~# pip install tensorflow==2.4

2.2.2 使用GPU

tensorflow版本、python版本、cudnn版本、cuda版本对应关系

VersionPython versioncuDNNCUDA
tensorflow_gpu-2.9.03.7-3.108.111.2
tensorflow_gpu-2.8.03.7-3.108.111.2
tensorflow_gpu-2.7.03.7-3.98.111.2
tensorflow_gpu-2.6.03.6-3.98.111.2
tensorflow_gpu-2.5.03.6-3.98.111.2
tensorflow_gpu-2.4.03.6-3.88.011.0
tensorflow_gpu-2.3.03.5-3.87.610.1
tensorflow_gpu-2.2.03.5-3.87.610.1
tensorflow_gpu-2.1.03.5-3.77.610.1
tensorflow_gpu-2.0.03.5-3.77.410
tensorflow_gpu-1.15.03.5-3.77.410
tensorflow_gpu-1.14.03.5-3.77.410
tensorflow_gpu-1.13.03.5-3.77.410
tensorflow_gpu-1.12.03.5-3.67.29.0
tensorflow_gpu-1.11.03.5-3.679
tensorflow_gpu-1.10.03.5-3.679
tensorflow_gpu-1.9.03.5-3.679
tensorflow_gpu-1.8.03.5-3.679
tensorflow_gpu-1.7.03.5-3.679
tensorflow_gpu-1.6.03.5-3.679
tensorflow_gpu-1.5.03.5-3.679
tensorflow_gpu-1.4.03.5-3.668
tensorflow_gpu-1.3.03.5-3.668
tensorflow_gpu-1.2.03.5-3.65.18
tensorflow_gpu-1.1.03.55.18
tensorflow_gpu-1.0.03.55.18

使用gpu的话只需要再额外安装cudnn、cuda就行了。
1、首先按不使用GPU的安装方法安装tensorflow框架
2、安装cudnn、cudatoolkit。因为此二者只和框架版本有关，因此选择的cudnn、cudatoolkit版本按照上表中要求的版本安装即可。一般来说，只要大版本一样，即可使用。

(tf29-py39) root@server:~# conda search cudnn
Loading channels: done
# Name                       Version           Build  Channel
cudnn                            6.0               0  anaconda/pkgs/free
cudnn                          7.1.4       cuda8.0_0  anaconda/pkgs/main
cudnn                          7.1.4       cuda8.0_0  pkgs/main
......
cudnn                          7.6.5      cuda10.2_0  anaconda/pkgs/main
cudnn                          7.6.5      cuda10.2_0  pkgs/main
cudnn                          7.6.5       cuda9.0_0  anaconda/pkgs/main
cudnn                          7.6.5       cuda9.0_0  pkgs/main
cudnn                          7.6.5       cuda9.2_0  anaconda/pkgs/main
cudnn                          7.6.5       cuda9.2_0  pkgs/main
cudnn                          8.2.1      cuda11.3_0  anaconda/pkgs/main
cudnn                          8.2.1      cuda11.3_0  pkgs/main

(tf29-py39) root@server:~# conda search cudatoolkit
Loading channels: done
# Name                       Version           Build  Channel
cudatoolkit                      7.5               0  anaconda/pkgs/free
cudatoolkit                      7.5               2  anaconda/pkgs/free
cudatoolkit                      8.0               1  anaconda/pkgs/free
cudatoolkit                      8.0               3  anaconda/pkgs/free
cudatoolkit                      9.0      h13b8566_0  anaconda/pkgs/main
cudatoolkit                      9.0      h13b8566_0  pkgs/main
cudatoolkit                      9.2               0  anaconda/pkgs/main
cudatoolkit                      9.2               0  pkgs/main
cudatoolkit                 10.0.130               0  anaconda/pkgs/main
cudatoolkit                 10.0.130               0  pkgs/main
cudatoolkit                 10.1.168               0  anaconda/pkgs/main
cudatoolkit                 10.1.168               0  pkgs/main
cudatoolkit                 10.1.243      h6bb024c_0  anaconda/pkgs/main
cudatoolkit                 10.1.243      h6bb024c_0  pkgs/main
cudatoolkit                  10.2.89      hfd86e86_0  anaconda/pkgs/main
cudatoolkit                  10.2.89      hfd86e86_0  pkgs/main
cudatoolkit                  10.2.89      hfd86e86_1  anaconda/pkgs/main
cudatoolkit                  10.2.89      hfd86e86_1  pkgs/main
cudatoolkit                 11.0.221      h6bb024c_0  anaconda/pkgs/main
cudatoolkit                 11.0.221      h6bb024c_0  pkgs/main
cudatoolkit                   11.3.1      h2bc3f7f_2  anaconda/pkgs/main
cudatoolkit                   11.3.1      h2bc3f7f_2  pkgs/main

# 虽然tensorflow2.9要求cudnn8.1、cuda11.2，但是查询发现没有这两个版本的软件包，
# 只有cudnn8.2、cuda11.3，因此这里选择这两个版本。
# 不指定版本直接安装即可。会默认安装可用的最高版本。
(tf29-py39) root@server:~# conda install cudnn cudatoolkit -y

(tf29-py39) root@server:~# conda list |grep -i -E "cudnn|cudatoolkit"
cudatoolkit               11.3.1               h59b6b97_2    https://mirrors.ustc.edu.cn/anaconda/pkgs/main
cudnn                     8.2.1                cuda11.3_0    https://mirrors.ustc.edu.cn/anaconda/pkgs/main

查看框架版本和GPU是否可用

# 进入python环境
(tf29-py39) root@server:~# python
>>> import tensorflow as tf
>>>
>>> tf.__version__
***
>>>
>>> tf.config.list_physical_devices("GPU")
***

3 版本对应关系总结

3.1 pytroch版本、python版本对应关系

pytroch版本、python版本对应关系

3.2 显卡型号、显卡算力对应关系

显卡型号、显卡算力对应关系

3.3 cuda版本、显卡算力对应关系

cuda版本、显卡算力对应关系

3.4 cuda版本、显卡驱动版本对应关系

cuda版本、显卡驱动版本对应关系

3.5 tensorflow版本、python版本对应关系

tensorflow版本、python版本对应关系

3.6 tensorflow版本、python版本、cudnn版本、cuda版本对应关系

tensorflow版本、python版本、cudnn版本、cuda版本对应关系

4 conda换源

为conda换国内的软件源，可以提高包的下载速度，下面列举几个可用的国内源

4.1 清华源

清华anaconda源

4.2 中科大源

中科大anaconda源

其铄
关注
  • 2
    点赞
  • 踩
  • 29
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
anaconda 安装tensorflow和pytorch
hyzhyzhyz12345的博客
01-17 857
anaconda 安装tensorflow和pytorch下载anaconda开始安装tensorflow安装pytorch 下载anaconda 清华镜像源（https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/），下载最新的就可以，无脑安装，有个地方需注意，这个地方都勾上。 开始安装tensorflow 打开anaconda prompt，...
使用Anaconda配置Tensorflow/Pytorch环境
Mr_Sudo的博客
09-27 3813
本文介绍了如何使用Anaconda简易快速地配置Pytorch和Tensorflow开发环境，并于Jupyter Notebook进行绑定。
利用anaconda配置深度学习环境
xigu7505的博客
03-25 2721
1.打开anaconda终端，并输入： conda create -n pytorch python=3.6 2.激活设置的pytorch环境 conda activate pytorch 3.可以通过以下命令列出该环境有哪些包 pip list 4.进入pytorch官网下载pytorch，并选择版本安装。
Anaconda同时安装PyTorch和TensorFlow2.x版本教程（Windows + GPU/CUDA）
最新发布
m0_46611848的博客
08-05 1095
个人安装PyTorch和TensorFlow版本（Windows + GPU/CUDA）过程中的笔记，如有错误，请多指正。
anaconda 配置pytorch和tensorflow环境
qq_37071435的博客
04-14 571
此篇文章默认anaconda已经安装完成 首先，打开anaconda powershell prompt 更改下载源 外网连不上的和下载慢的，将下载源连接到清华大学开源软件镜像站上，需要在anaconda powershell prompt中加入代码 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mir
anaconda 安装 pytorch 和 tensorflow
u014299761的博客
08-15 1439
在Windows 上利用anaconda 安装 tensorflow 和 pytorch
anaconda linux安装_Anaconda配置深度学习虚拟环境
weixin_39731782的博客
11-22 141
整理了一下看到的比较简单的配置方法，网上资源参差不齐，很容易踩坑。Windows和Linux均可套用。Windows官网安装，Linux下载.sh文件安装。首先最好更换镜像源为清华镜像源，并且删除默认镜像源。（解决下载超时问题）执行如下几条命令更换清华镜像源：conda config --add channels Index of /anaconda/cloud/msys2/ conda conf...
Python深度学习探秘：TensorFlow与PyTorch基础
# 1. 深度学习基础概述 - **1.1 什么是深度学习** 深度学习是一种机器学习技术，通过多层神经网络学习数据的特征表示，...深度学习框架是用于构建、训练和部署深度学习模型的工具集。常见的深度学习框架包括TensorFlo
python安装教程以及tensorflow和pytorch的搭建
weixin_51113465的博客
03-17 2659
1.安装前：安装以下三个软件 软件1：visual studio2019 链接：https://pc.qq.com/detail/16/detail_22856.html 软件2：visual studio code 链接：https://pc.qq.com/detail/19/detail_25679.html 软件3：微软常见运行库合集 链接：http://www.xue51.com/soft/43282.html 注：以上路径都是普通下载即可，高速下载会安装其他乱七八糟的
Win10+RTX2080深度学习环境搭建：tensorflow、mxnet、pytorch、caffe
日拱一卒
12-26 4278
文章目录准备工作设置conda国内镜像源conda 深度学习环境tensorflow、mxnet、pytorch安装tensorflowmxnetpytorchCaffe安装配置文件修改编译时常见错误参考 GPU为RTX2080，系统为更新到最新版本的Win10。 准备工作 安装VS2015，到官网地址older-download下载安装 安装Matlab，笔者安装的是Matlab2017b 安...
从零开始搭建Ubuntu下的深度学习环境TensorFlow+Keras+Pytorch+Sklearn+OpenCV
hhy_csdn的博客
09-26 9235
我的Ubuntu系统又双叒叕崩溃了，卡在系统登录输密码的界面循环，似乎是更新了一下系统，和英伟达的驱动不兼容了。正好我的CUDA版本是8.0，支持不了高版本的TensorFlow，很难受，索性格式化系统，重新来一遍好了。现将整个过程记录在此，以备后查。 正文开始 从零开始搭建Ubuntu下的深度学习环境 一、删除Ubuntu系统 需要安装：分区助手 https://www.disktool.cn/...
Anaconda 安装 Pytorch及Tensorflow
xingxi921002的博客
10-07 618
Pytorch-CPU版本 安装: 一．Anaconda安装： 官方网址： https://www.anaconda.com/products/individual#download 注：安装过程可以不用选择自动将路径添加到环境变量 二．Pytorch环境配置 1. 配置镜像源 方法一：.condarc文件： channels: -https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ -https://mirro..
【anaconda】安装、配置环境、tensorflow、pytorch、keras等
呆呆的猫的博客
07-13 7072
安装conda环境
Anaconda安装及配置+pytorch深度学习环境(2024复旦计算机工作站0704）
Zhiyilang的博客
07-04 3647
深度学习越来越火啦，深入到各行各业，小北个人也对深度学习很感兴趣，再加上这次导师暑期要求我们去配一下Pytorch深度学习环境，所以觉得有必要出一期教程~（小北以2022Y7000p拯救者+win11系统为栗子~）
深度学习环境配置 Anaconda+Pycharm+CUDA+cuDNN+TensorFlow+PyTorch（保姆级图文教程）
qq_40280673的博客
02-15 6288
最近项目开发，需要安装TensorFlow-gpu和PyTorch，但是装了好久才成功安装在我的电脑上，中途愁死我了。网络上有很多教程，多数都说得不明不白，各种踩坑，一路跌跌撞撞的踩过来，最后终于清楚的知道对于不同机型，该如何正确安装了。我现总结在下面，希望对大家有帮助，少踩坑。此教程虽然较长，但我图文并茂分步骤总结了大家在安装时可能会遇到的各种问题，大家仔细阅读安装，你之所以一直安装不成功，很可能就是中间某一步出错了。
基于Anaconda搭建python深度学习环境
明叶歌
03-02 5259
一、AnacondaAnaconda（官方网站）就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。二、下载从官网下载最新版本，其中有不同操作系统的版本，这里下载的是windows64位，python3.5版本，由于深度学习打算用TensorFlow，支持python3.X版本所以建议下载pyth...
Anaconda搭建环境（tensorflow+pytorch）
weixin_43470822的博客
09-15 2033
机器学习环境搭建
Anaconda 配置深度学习环境 tensorflow-gpu
乐酱的博客
10-26 376
1.Anaconda 的下载 Anaconda 安装包可以到 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 下载。 安装，勾选加入path 2.anaconda换源 TUNA 还提供了 Anaconda 仓库与第三方源（conda-forge、msys2、pytorch等，查看完整列表）的镜像，各系统都可以通过修改用户目录下的 .condarc 文件。Windows 用户无法直接创建名为 .condarc 的文件，可先执行 conda con
史上最详细Anoconda下安装Tensorflow-GPU和Pytorch对应版本（手把手保姆级教程）
热门推荐
fangshuo_light的博客
12-17 1万+
一、Anoconda安装 1.Anoconda下载 2.Anoconda安装 3、镜像源更改 二、CUDA和Cudnn安装 1.查看显卡支持的CUDA版本号 三、Tensorflow环境配置 1、查看所需的Tensorflow版本 2.Tensorflow环境创建于激活 3.tensorflow库安装 4.第三方库安装 四、Pytorch环境配置 1.进入官网 PyTorch ，根据显卡驱动选择合适版本。 2.安装pytorch
评论 1
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