一种为不联网(离线)电脑配置深度学习环境的方法

1.场景描述

目标电脑为A，无法联网，但是硬件好，需要配置深度学习环境。
家用电脑为B，可以联网，硬件条件仅满足日常办公。
下面以Tensorflow为例，提供一种环境配置的思路。tensorflow也可以是pytorch等深度学习框架。

2.思路

2.1统一操作系统

首先我们要保证目标机A与家用机B存在相同的系统，例如：
A机：Linux ubuntu 16.04
B机：Windows
这时可以在B机的Windows系统安装Linux ubuntu 16.04虚拟机，这个虚拟机还可以安装虚拟机工具，用于Windows和虚拟ubuntu之间的文件传输，具体方法可以自行搜索，资料很多，不再赘述。

2.2准备Anaconda

Anaconda用于管理各种依赖库，可以提供独立的项目环境。直接去官方网站下载就行，下载Linux的安装包，如果是在ubuntu上下载，那么直接点下载，会自动适配ubuntu的安装文件，如果是在windows上下载，那么需要选择linux安装文件。特别地，arm版本是用于边缘设备的。完成下载之后，将Anaconda安装到A机和B机的Linux系统。

2.3准备深度学习框架（重要）

安好anaconda后，在A和B机的Linux创建conda环境、激活该环境。以配置Tensorflow为例，我用的python版本为3.7.
创建、激活conda的常用命令不再赘述。

接下来，需要在这个可联网B机的conda环境中下载tensorflow依赖库，以tensorflow2.6为例：
在B机创建的conda环境中输入2条命令：

mkdir tf26
pip download -d tf26 tensorflow==2.6 -i https://pypi.tuna.tsinghua.edu.cn/simple --default-timeout=180

这里用到了 pip的download命令，用于下载某个包到指定的路径。download命令通过-d来指定存放路径，刚才指定的是tf26这个文件夹。download会根据操作系统、python版本进行自动适配，将tensorflow2.6及其所需要的一切依赖包全都下载到tf26目录。-i指定了临时从清华镜像上进行下载，速度很快。–default-timeout=180的意思是网络连接的超时延迟时间，单位是秒。网上资料很多，大家可以自行搜索pip download和pip临时更换镜像的使用方法，这里不再赘述。

下面将下载好的环境通过合理的方式转移到不可联网的A机上，然后在A机的conda环境中进行安装
此时，tf26文件夹应该在不可联网的A机上，然后需要写一个requirements.txt的文件，文件的每一行是tf26文件夹里的一个包名称。将requirements.txt放在tf26文件夹中，用conda进入到tf26目录下，通过pip进行安装即可，在不可联网A机建好的conda环境中执行下列命令：

pip install -r requirements.txt

2.4准备cudatoolkit和cudnn

基本上不论是tensorflow还是pytorch都需要cuda工具套件和神经网络加速包，这并不要求一定要在真机上安装，我们需要在caonda环境中安装cudatoolkit、cudnn。
以tensorflow2.6为例，需要安装cudatoolkit11.2和cudnn8.1。因此，需要在可联网的B机上，手动从国内镜像上下载cudatoolkit和cudnn，进行离线安装。B机可以联网，用windows或虚拟机ubuntu都行。

镜像网站：
我推荐手动下载的话直接从阿里镜像下载。
进入https://mirrors.aliyun.com/anaconda/cloud/conda-forge/，选linux-64/，如果进不去就刷新一下，会有很多很多包，是按照名称字母顺序排列的。找到cudatoolkit-11.2xxx下载，找到cudatoolkit-dev-11.2xxx下载（python3.7就下载带py37的），找到cudnn-8.1xxx下载。完成之后将三个包转移到不可联网的A机，执行命令安装：

conda install --use-local cudatoolkit-11.2xxx cudatoolkit-dev-11.2xxx cudnn-8.1xxx
# xxx是后面完整的包名

3.结论（精简思路）

通过该方式可以为离线的主机快速配置深度学习环境，不管是conda还是miniconda都行得通，但前提是要求有一个可联网的系统与离线系统相同，可以使用windows虚拟机。

思路整理：
A离线，B可联网，目标是在A上配置深度学习环境：
用B的虚拟机建一个与A相同的系统，并在AB创建conda环境；
在B上，用pip的download下载tensorflow（或pytorch等）包，并转移到A上；
在A上pip install -r 进行安装；
在B上，从阿里镜像手动下载对应版本的cudatoolkit和cudnn，并转移到A上；
在A上conda install --use-local进行安装。
最后测试是否可用。
完成配置

---

上面的内容可能会有一些帮助，但是我觉得最方便的环境配置方法应该还是docker。无论是离线还是在线，使用docker部署环境都非常的方便。希望对您有所帮助。