Windows10+Python3.7.8搭建深度学习环境

参考资料

[1]win10+MX350显卡+CUDA10.2+PyTorch 安装过程记录 深度学习环境配置
[2]Windows 10 系统下 Python 3.8 安装详解
[3]win10 上python3.8.3的安装
[4]python安装pytorch
[5]win10下pytorch-gpu安装以及CUDA详细安装过程
[6]解决安装pytorch慢的方法（pip安装）

写博客的动机

网上搭建深度学习环境的教程已有很多，且本文也是基于上述的参考资料借鉴和汇总而来（感谢参考资料里的博客的各位大佬），所以写这篇博客主要是为了记录自己搭建环境的过程。当以后需要再次搭建环境时，可以参考自己这篇博客。本文同时搭建了TensorFlow-gpu和PyTorch，遇到了很多坑，尤其是各个版本的问题。

电脑配置

2020款小新pro13，具体参数如下表所示。建议和我是同款配置电脑的朋友可以参考我的方法一路安装下来，如果不一样的话建议按照参考资料里的博客来，他们写的十分详细，方法也更具普适性。

项目	配置
操作系统	Windows10 家庭中文版 64位
显卡	NVIDIA GeForce MX350
内存	16GB
处理器	Intel Core i7-10710U
硬盘	西数 SN730 512GB

重要：版本汇总

因为各个框架的版本相互对应，稍有不对应的就会报错，同时新版本也更容易出问题，所以本文搭建环境用的均为老版本软件和包。

项目	版本
Python	3.7.8
CUDA	10.0
cuDNN	7.6.4 for CUDA 10.0
TensorFlow-gpu	2.0.0
Keras	2.3.1
PyTorch	1.5.1
torchvision	0.6.1

安装Python3.7.8

虽然在写博客这部分内容的时候都有3.8和3.9版本了，考虑到能用就行，不一味地追求最新，故使用3.7.8的老版本Python。官网下载Python

然后找到需要的版本3.7.8，下载64位（x86-64）的安装程序。

下载好后直接打开安装程序，底下两个勾选上，并选择自定义安装。

这些也全勾上。

由于我不爱把东西放在C盘，安装地址就不放在默认的C盘了，注意安装地址里不要有中文和空格，不然以后可能会出现想不到的意外。

最后这个Disable path length limit不用点，以后需要的时候可以在注册表里更改，直接点Close完成安装。

打开命令提示符，pip list一下能看见初始的两个包。

然后也可以输入python进入Python的环境，试一下打印"Hello World!"来确认安装成功。

print("Hello World!")

pip安装Numpy等包

在cmd环境里，可以使用pip工具安装一些常用的包，并使用豆瓣的镜像来显著提升下载速度，比如：

pip install numpy -i https://pypi.douban.com/simple

安装完numpy后，我继续安装了pandas与matplotlib。

安装CUDA (10.1)

图片仍为安装10.0，后续我使用的是CUDA 10.1，对应CuDNN也需要更新，torch等环境无影响，
环境配置参考miniconda自使用那篇博客。
打开NVIDIA控制面板，点击帮助→系统信息→组件来确定CUDA的版本。

我的电脑对应10.2版本，但10.2属于相对较新的版本，我们不用，我们会使用10.0（<=10.2，故也可使用）的版本。在英伟达官网下载CUDA10.0。

我这里选下载本地版，安装包也较大，需要等一段时间。下载完成后运行安装程序，先进行解压，这个解压的地址无需更换。

解压完成后自动安装。

选择自定义安装。

注意这里要去掉那个Visual Studio Integration。

这里我又自作主张，不安装到默认的C盘。

按照上图默认的命名方式，自己在D盘创建一些同名文件夹。

安装完成。

然后根据安装目录，添加一些环境变量（红圈的5个）。

在命令提示符里测试一下CUDA安装成功与否，输入：

nvcc -V

出这个界面应该就是成功了。

安装cuDNN

接着是cuDNN：先进入cuDNN的网址。在这点击Download cuDNN后，需要注册个英伟达账号，填写问卷。

注册完成后登录账号，并在浏览器里输入https://developer.nvidia.com/rdp/cudnn-archive，去找我们需要的版本。

下载完成后解压得到这几个文件。

全部覆盖到cuda的文件夹里，对于我来说，覆盖的文件夹如下图所示。

安装TensorFlow-gpu

我安装的TensorFlow-gpu的版本为2.0.0，对应Keras的版本为2.3.1。首先安装TensorFlow-gpu，代码如下：

pip install tensorflow-gpu==2.0.0 -i https://pypi.douban.com/simple

再安装Keras。

pip install keras==2.3.1 -i https://pypi.douban.com/simple

安装完成后测试一下。

import tensorflow as tf
print(tf.test.is_gpu_available())
import keras

应该是没问题的。

安装PyTorch

我们安装的torch版本与torchvision版本分别为1.5.1和0.6.1。先运行下面的代码。

pip install torch===1.5.1 torchvision===0.6.1 -f https://download.pytorch.org/whl/torch_stable.html

运行后可以发现首先是下载torch，而且速度很慢。找到红圈中的下载地址，复制，用迅雷等下载工具进行下载，可以先把最大的torch安装好，大大加快速度。

下载完成后再本地安装torch，代码如图中所示：

然而这样的安装方式会跳过了安装torchvision库。我们先用豆瓣源高速下载torchvision需要的Pillow库：

pip install pillow -i https://pypi.douban.com/simple

之后再安装torchvision，代码如下：

pip install torchvision===0.6.1 -f https://download.pytorch.org/whl/torch_stable.html

这样PyTorch的环境就算搭建好了。

简单小测试

测试一下代码，安装成功。

刚搭好环境也不会搭神经网络，就自己试着写个单位矩阵乘以标量的程序看下GPU的速度。

import torch
import time
import numpy as np

IM = np.identity(10000)
m1 = torch.FloatTensor(IM)
m2 = torch.cuda.FloatTensor(IM)

# gpu
time1 = time.time()
for i in range(1000):
    m2 *= 1.001
time2 = time.time()
print("GPU: " + str(time2 - time1) + " sec")

# cpu
time1 = time.time()
for i in range(1000):
    m1 *= 1.001
time2 = time.time()
print("CPU: " + str(time2 - time1) + " secs")

GPU: 0.01994633674621582 sec
CPU: 33.91177487373352 secs

根据这个不严谨的实验的运行结果来看，经过一系列的配置，PyTorch的环境搭建应该是没有问题的。

结束语

再次感谢参考资料中博客的各位大佬。如果本博客内容存在任何问题欢迎在评论区指正，谢谢大家。