一、查看显卡配置
1.1 查看显卡型号
打开设备管理器 --> 显示适配器【NVIDIA】,此处会显示你的显卡配置
1.2 下载NVIDIA驱动程序
查看是否有NVIDA显卡驱动程序,如果有,就不用安装了(一般刚装完系统都会安装这些驱动),建议自动更新驱动程序一下。
如果没有,请进入NVIDIA GeForce 驱动程序 - N 卡驱动 | NVIDIA进行安装。选择适合自己电脑的显卡驱动下载,安装很简单,直接下一步就可以,默认系统安装路径。(GeForce Experience只是一个管理器,,它能“自动保持您的驱动程序为更新状态”。它有点类似于手机的“应用商店”)
或是在Official Drivers | NVIDIA对应显卡型号,直接下载驱动程序
1.3 查看显卡支持的CUDA版本
下载驱动后,则可在桌面右键 --> NVIDVIA控制面板 --> 属性信息 --> 组件,查看显卡支持的最高CUDA的版本,以便下载对应的CUDA安装包
或键入Win+R --> 输入cmd --> 输入nvidia-smi
可以看到显示CUDA Version为12.2,说明该显卡最高支持的CUDA 版本为12.2
注意:CUDA 11.6版本之后将不再编译cuda,所以必须自己从github下载后自行编译,没有下面的两个手动加入的变量环境,虽然环境运行没有太多问题,但建议下载11.1,或是10.1等较稳定版本
接下来以11.1版本为例进行演示
二、配置CUDA
2.1 安装CUDA
CUDA下载地址:kCUDA Toolkit Archive | NVIDIA Developer
下载上述查找cuda11.1,按照如下配置选择,然后点击下载
安装cuda时,第一次设置临时解压目录,第二次则设置安装目录;
临时解压路径,建议默认即可,也可以自定义。安装结束后,临时解压文件夹会自动删除;
安装目录,建议默认路径即可;
注意:临时解压目录千万不要和cuda的安装路径设置成一样的,否则安装结束,会找不到安装目录的!!!
选择自定义安装
如果你是第一次安装,尽量全勾选上;如果你是第n次安装,尽量只选第一项,不然容易出现错误
2.2 配置cuda的环境变量
检查环境变量
点击设置-->搜索高级系统设置-->查看环境变量
【如果没有以下系统环境变量,需要自己添加路径】
如果下面两个变量没有自动生成,没有生成的手动添加就行,注意自己的路径变量如下,方便复制
NVCUDASAMPLES_ROOT
NVCUDASAMPLES11_0_ROOT
2.3 测试是否安装成功
键入Win+R --> 输入cmd
#查看CUDA版本号
nvcc --version
nvcc --V
# 可以查看 CUDA 设置的环境变量
set cuda
三、配置cuDNN
完成CUDA的安装后,还需要安装CUDA的补丁cuDNN,其专为深度学习运算进行优化
3.1 下载cuDNN
地址:kCUDA Toolkit Archive | NVIDIA Developer ,需要注册一个账号,才可以进入到下载界面
进入地址: cuDNN Archive | NVIDIA Developer,查看适配的 cuDNN,选择跟自己的cuda版本适配的cudnn版本(此处选择 windows系统的CUDA11.1)
3.2 配置cuDNN
我们先把下载的 cuDNN 解压缩,会得到下面的文件
下载后发现其实cudnn不是一个exe文件,而是一个压缩包,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:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1
拷贝时看到,CUDA 的安装目录中,有和 cuDNN 解压缩后的同名文件夹,这里不需要担心,直接复制即可。cuDNN 解压缩后的同名文件夹中的配置文件会添加到 CUDA安装目录中的同名文件夹中。【此处还是建议分别把文件夹的内容复制到对应文件夹中去】
然后再添加环境变量
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\libnvvp
3.3 测试是否配置成功
首先win+R启动cmd,cd到安装目录下的 …\extras\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe
win+R --> cmd
cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\demo_suite
bandwidthTest.exe
deviceQuery.exe
显示Result = PASS即表示配置成功
四、配置Anaconda
4.1 安装Anaconda
注:在Anaconda安装的过程中,比较容易出错的环节是环境变量的配置,所以大家在配置环境变量的时候,要细心一些。
方法一: 登录Anaconda官网下载,直接点击"Download"即可。
- 必须要是Windows环境且是64位
- 下载地址:https://www.anaconda.com/products/distribution
方法二:从清华大学开源镜像下载(速度快)
点击安装包下载 --> 点击 Next --> 点击 I Agree --> 选择 All Users
选择安装路径
全选上,第二项是说要默认使用python的版本,后期手动添加环境变量,
点击Install,安装需要等待一会儿
点击Next,两个“learn”,可取消打勾不用打开去看
安装好后我们需要手动配置环境变量
4.2 配置环境变量
在系统变量里,找到Path,添加以下路径
D:\ANACONDA3
D:\ANACONDA3\Scripts
D:\ANACONDA3\Library\bin
D:\ANACONDA3\Library\mingw-w64\bin
D:\ANACONDA3\Library\usr\bin
4.3 测试Anaconda
查看anaconda版本
win+R --> cmd
conda --version
五、搭建Pytorch环境
5.1 创建环境
首先,创建环境,在Anaconda Prompt中创建一个pytorch版本的环境。使用python==3.8,取名为DLearning1
conda create -n your_envname python=3.8
# your_envname即环境名称,3.8指的是python的版本
键入 y
查看是否创建成功。
conda info --envs # 查看用户创建的所有环境
5.2 激活环境
下面激活环境,从base环境切换到自己创建的环境中
conda activate your_envname
拓展(其他常用指令)
删除环境
有的时候为了安装某个适配的库需要搭建好多个环境,当不想要该环境时需要进行删除
conda remove -n re_envname --all # re_envname表示你要删除的环境名
退出环境(返回base环境)
conda deactivate
或者
conda activate base
查看环境的载入库
conda list
5.3 安装Pytorch
首先确保你已经安装了GPU环境,即Anaconda、CUDA和CUDNN
首页下拉,选择合适的Pytorch版本(即与上文的CUDA,NVIDIA适配版本一致11.1),复制指令到conda环境中运行即可
pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge
# 需要额外安装其他库,可以用如下指令
pip install --user 库名 -i https://pypi.tuna.tsinghua.edu.cn/simple
复制指令到conda环境中运行即可(注:要在自己搭建的环境中运行)
注意:pip开头的包是从外部链接直接下载,而conda是链接包直接下载,从稳定性来说,conda较为稳定,pip开头下载容易出错(V1.10,V1.8,V1.6较好)
回车,开始下载
5.4 测试 Pytorch
在当前环境打开python解释器,输入 python
测试是否安装成功
import torch
print(torch.__version__) # pytorch版本
print(torch.version.cuda) # cuda版本
print(torch.cuda.is_available()) # 查看cuda是否可用
5.5 在Pycharm载入环境
打开PyCharm,点击File -> Settings,如下所示:
打开Project Interpreter,点击 Add
选择cnoda interpreter --> Excisiting environment
选择所搭建好的环境的地址位置,点击OK这样我们就可以正式开始Python编程了
可以在终端(与Anaconda同)进行操作使用环境
至此,深度学习环境的搭建已完成,祝愿你在deep learning的学习之旅一切顺利,共勉 !
参考博客