Pytorch2.0、Anaconda安装及Vscode环境搭建（一）

已于 2023-09-27 10:03:53 修改
阅读量2.2k 收藏 13
点赞数 4
分类专栏： Pytorch教程 文章标签： python vscode pytorch
于 2023-09-26 15:18:55 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_50513260/article/details/133308323
版权
本文详细介绍了PyTorch的安装步骤，包括Anaconda的安装与包管理，CUDA和cuDNN的配置，以及如何在VScode中创建和配置PyTorch开发环境，以支持GPU计算和JupyterNotebook的使用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、pytorch的介绍及安装

文章目录

1.1 pytorch的介绍

PyTorch是一个开源的深度学习框架，用于构建、训练和部署深度神经网络。它由Facebook的人工智能研究小组开发并维护，旨在提供灵活性和性能，使研究人员和开发人员能够轻松地创建各种深度学习模型。

1.2 pytorch的安装

PyTorch官网

"Stable"代表当前测试和支持的PyTorch版本，通常适合大多数用户。如果需要每晚生成的最新版本（尚未经过完全测试和支持），您可以选择使用预览版。在安装之前，请确保您已满足先决条件，如安装所需的依赖项（具体要求取决于您的包管理器）。推荐使用Conda作为包管理器，因为它可以管理所有依赖项。另外，如果需要，您还可以安装以前版本的PyTorch。需要注意的是，LibTorch仅适用于C++编程。

这里仅介绍自己使用的Window11+3060显卡的安装思路：

1.2.1 Anaconda的安装

Anaconda附带了一个名为Conda的强大包管理器，它允许用户轻松安装、更新和删除软件包，以及创建和管理多个独立的Python环境。这使得不同项目可以使用不同的库和工具，而不会互相干扰。

官网地址：Anaconda | The World’s Most Popular Data Science Platform

清华源:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

可以直接根据下列教程安装：

Anaconda超详细安装教程（Windows环境下）_conda安装-CSDN博客

输入conda info，如果出现conda信息，则可以进行下一步操作：

image-20230926102254433

这里最好更改一下conda源，后续如果采用conda安装的话，速度会更快一点：

清华源：

在cmd 命令行中，输入添加以下命令

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

查看源：conda config --show，出现下面的内容即成功：

image-20230926102905944

1.2.2 pytorch安装环境搭建

这里有两种创建环境的办法，命令行或者直接anaconda图形化界面

  • 方法一：命令行安装：

在终端输入：

#conda create -n [环境名称] python=[python版本]
conda
最低0.47元/天 解锁文章
机器学习环境的搭建和使用----anaconda/jupyter/tensorflow-gpu /opencv等 win10安装和常用使用方法总结
熊猫小妖的AI世界
02-19 2312
目录大纲1. 环境说明2. Anaconda安装和常用使用技巧总结2.1 pip、conda更换国内源和常用方法2.2 anaconda虚拟环境使用2.3 anaconda常见问题解决方法2.4 anaconda常见命令总结2.5 anaconda如何干净地卸载重装3. jupyter使用和常用技巧总结3.1 jupyter notebook如何运行在不同虚拟环境下？3.2 jupyter no...
【Vscode配置pytorch】
weixin_45769992的博客
07-18 1万+
已经通过AnacondaPromp装好pytorch，并且测试成功，同时vscode也已经安装好。打开Vscode，左上角点击文件>>首选项>>设置>>扩展，在扩招中找到python，点击右侧。修改下图红色框中的路径，打开和我的不一样很正常，缺少的就将它补上。记得保存文件，然后重启vscode。.........
VSCode部署Pytorch机器学习框架使用Anaconda（Window版）
Sophia_hust的博客
07-20 8776
在这种情况下，为了确保 PyTorch 可以在你的系统上正常使用 GPU 加速，你可以考虑安装可用的最高版本的 CUDA Toolkit，即 11.8，然后测试 PyTorch 是否可以正常访问 GPU。根据你的第二张截图，你的系统安装了 NVIDIA CUDA 12.2.138 驱动，但是在 PyTorch 渠道中并没有找到 CUDA Toolkit 12.2 的版本，最新的是 11.8。从你提供的截图来看，你已经成功找到了 PyTorch 官方渠道提供的可用的。, 用记事本打开并将下面的内容复制进去，
vscode终端安装pytorch环境全流程小白版（linux+windows通用版）
rangpin的博客
08-05 1万+
在理解本教程的思路后，同理可方便的学会其他情况下的安装思路，并不局限于编辑器是vscode还是pycharm，也不局限于操作系统是linux还是windows。也不局限于大家是在系统默认终端，还是vscode或者pycharm里面的终端进行操作，无所谓，都可以。最好的步骤是按照上述思路一步步明确进行，特别是对于小白。熟悉后第一、二步均可以快速跳过。一定要先激活对应环境再进行pytorch安装，否则会直接装在系统默认的base环境中，后续会引起不必要的麻烦。
VSCode配置pytorch环境
m0_53385329的博客
03-27 748
将“run this command”中的命令粘贴到cmd内并运行，就会开始安装pytorch。ctrl+shift+p后在弹框中选择“选择编辑器”，点击刚刚创建的conda环境。vscode打开项目文件夹。
vscode配置pytorch环境及使用vscode插件调用pytorch
z958095372的博客
06-20 4262
记录了在配置pytorch过程中遇到的问题
手把手Pytorch安装及配置教程(Vscode/Anaconda/CUDA/Pytroch)
qq_45790241的博客
08-20 1万+
安装完毕后，其实对这些软件之间的关系有一些感觉了，我们有必要了解一下我们安装这些软件和它们之间的关系，这样以后安装就不用看教程了。注意，如果自己的显卡驱动已经更新过了，可以跳过这一节，检查驱动版本方法：Win+r打开cmd，输入nvidia-smi。注意，这里如果是之前一直打开的cmd窗口，输入nvcc -V可能报错，这里要新开一个cmd窗口验证。)，选择下载之前的版本，然后先搁置这个网页，我们先来用Anaconda创建一个虚拟环境。注意，CUDA的版本小于等于12.6即可，这里我们就安装12.0的吧。
基于vscode安装pytorch
weixin_45725336的博客
08-09 6993
基于vscode安装pytorch，并且配置c++和anaconda
Win11 FlowNet2.0＋Pytorch版本 VSCode
没报错的博客
07-07 887
from scipy.misc import imread, imresize替换成from imageio import imread。把from scipy.misc import imread替换成from imageio import imread。把argspec = inspect.getargspec(class_obj.__init__)替换为。
【目标检测】YOLOv10GPU训练自己的数据 (超详细保姆级教程)——附带vscode，labelimg与anaconda安装
2301_79746884的博客
10-28 4195
yolov10 anaconda vscode labelimg 环境配置 xml转txt YOLOv10 模型进行视频流处理确定计算设备（如 CPU 或 GPU），确保模型可以在可用的 GPU 上运行以提高处理速度。
Ubuntu学习（二）搭建系统 与 python、vscode 相关环境搭建
qq_48019718的博客
02-10 523
LInux 笔记，写在草稿里，以后再改 chmod +x +文件名回车 $给run文件权限 lsb_release -a $给 run文件权限 “lspci | grep -i nvidia $查看 invida 显卡
神经网络（十五）在VS Code下搭建PyTorch环境
热门推荐
就随便写写....
09-27 4万+
pytorch在vscode中的配置和使用
Anaconda＋vscode＋pytorch环境搭建过程详解
09-16
主要介绍了Anaconda＋vscode＋pytorch环境搭建过程详解，本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
vscode添加pytorch
weixin_48433993的博客
06-06 1546
首先到pytorch官网，找到适合自己的类型，我的GPU是amd的，不是英伟达的，所以只能用cpu的，只能学习用，如果是用gpu，则下载CUDA，然后。但是这个是外网，下不了，然后用镜像，并且信任就可以了。
pytorch2.0安装与体验
qq_39125451的博客
12-03 1万+
pytorch2.0 相对1.x进行了大版本更新，向下兼容！！！！通过官网阅读可知他最大的更新是torch.compile()，通过编译的方式，用一行代码实现模型的稳定加速。 这个语句返回一个原来模型的引用，但是将forward函数编译成了一个更优化的版本。PyTorch 2.0 中支撑 torch.compile 的最新技术包括：TorchDynamo、AOTAutograd、PrimTorch 以及 TorchInductor。
pytorch2.0安装教程
A2321161581的博客
04-07 5650
Windows下安装pytorch2.0版本
Anaconda＋vscode＋pytorch环境搭建
sendinn的博客
04-27 1591
即使按照提示，conda init cmd.exe ，conda init powershell，conda init xxx各种都不行。按住ctrl+shift+p，输入language，选择第一个configure Display Language，配置中文。再次执行conda env list这个命令，多了一个pytorch的环境即可。激活pytorch并添加清华源（激活后可以再次查看env，激活环境前有个*）接下来会提示要安装pytorch相关的包，这里输入y，然后回车。记得手动添加环境变量。
7.利用pycharm，vscode配置pytorch
lukaijie‘s BLOG
11-08 1233
1.cuda 随着显卡的发展，GPU越来越强大，而且GPU为显示图像做了优化。在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了，因此NVIDIA推出CUDA，让显卡可以用于图像计算以外的目的。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构是GPU能够解决复杂的计算问题，所以想采用GPU进行神经网络训练，就必须要安装CUDA。 1.1. 查看计算机是否预装cuda 桌面上右键，选择NVIDA控制面板； 如图所示，我的计算机已经预装了 cuda 11.3.123； 只
python深度学习搭建环境
最新发布
04-01
<think>好的，我现在需要帮助用户了解如何使用Python配置深度学习环境，包括安装TensorFlow和PyTorch及相关依赖。首先，我应该回顾用户提供的引用资料，看看里面有没有相关的步骤或建议。用户提到了引用[2]和引用[3]，其中引用[3]详细介绍了Ubuntu下的环境配置，包括CUDA、cuDNN、Anaconda以及TensorFlow和PyTorch的安装。引用[2]则提到了PyTorch的安装步骤，可能需要Python 3.6或更高版本。 首先，用户的问题是关于Python环境配置，所以可能需要从Python环境开始。引用[3]中建议使用Anaconda，这能帮助管理不同的虚拟环境，避免依赖冲突。因此，我应该推荐安装Anaconda作为第一步。 接下来是安装CUDA和cuDNN，特别是如果用户有NVIDIA GPU的话，这些是必要的。引用[3]里详细说明了安装显卡驱动、CUDA和cuDNN的步骤，但用户可能使用的是不同的操作系统，比如Windows或macOS。不过用户提供的引用主要是Ubuntu的例子，但用户的问题没有明确说明操作系统。可能需要分情况讨论，或者建议用户根据官方文档安装，同时提供通用的步骤。 然后，安装TensorFlow和PyTorch。引用[3]提到了使用conda或pip安装这两个框架，引用[4]提到TensorFlow的tf.keras接口，这可能涉及到安装时的不同版本选择。比如，TensorFlow 2.x和PyTorch的稳定版本。需要确保用户安装时选择正确的版本，并考虑是否需要GPU支持。 另外，依赖项方面，比如安装必要的Python库，如numpy、matplotlib等，这些通常在安装框架时会自动安装，但可能需要单独说明。 用户可能遇到的问题包括CUDA版本与框架版本的兼容性，比如TensorFlow 2.10之后不再支持GPU在Windows上，或者PyTorch需要特定版本的CUDA。因此，在步骤中需要强调检查版本兼容性，并参考官方安装命令。 最后，验证安装是否正确，比如运行简单的代码检查GPU是否被识别。这部分在引用中没有提到，但通常是很重要的步骤，确保一切配置正确。 总结步骤应该是： 1. 安装Python和Anaconda 2. 创建虚拟环境 3. 安装CUDA和cuDNN（如果使用GPU） 4. 安装TensorFlow和PyTorch 5. 安装其他依赖库 6. 验证安装 需要注意的是，根据用户的操作系统不同，步骤可能有所变化，但用户提供的引用主要是Ubuntu，所以可能需要以Linux为例，同时提到其他系统的注意事项。例如，在Windows上安装CUDA可能需要从NVIDIA官网下载安装包，而macOS可能不支持GPU加速。 另外，引用[2]提到安装PyTorch的步骤，用户可能需要访问PyTorch官网获取安装命令，而TensorFlow同样需要根据版本选择合适的安装选项。比如，使用pip install tensorflow或pip install tensorflow-gpu（旧版本），但现在TensorFlow的官方版本已经合并了CPU和GPU支持。 在问题生成部分，需要根据配置环境的步骤提出相关问题，比如CUDA安装问题、虚拟环境管理、版本冲突解决等。</think>### 如何使用Python配置深度学习开发环境（含TensorFlow/PyTorch） #### **1. 安装Python环境** - **推荐使用Anaconda**：集成Python和常用科学计算库，支持虚拟环境管理[^3]。 ```bash # 下载Anaconda安装脚本（官网选择对应版本） bash Anaconda3-2023.03-Linux-x86_64.sh ``` - **验证安装**： ```bash conda --version ``` #### **2. 配置GPU支持（可选）** 若使用NVIDIA GPU加速，需安装以下组件： - **显卡驱动**：通过系统软件仓库或NVIDIA官网安装。 - **CUDA Toolkit**：用于GPU并行计算（版本需与深度学习框架兼容）[^3]。 ```bash # 示例：安装CUDA 11.8 wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run sudo sh cuda_11.8.0_520.61.05_linux.run ``` - **cuDNN库**：加速深度学习计算（需注册NVIDIA开发者账号下载）。 #### **3. 创建虚拟环境** 避免依赖冲突，建议为每个项目创建独立环境： ```bash conda create -n dl_env python=3.9 conda activate dl_env ``` #### **4. 安装TensorFlow** - **CPU版本**： ```bash pip install tensorflow ``` - **GPU版本**（需CUDA/cuDNN）： ```bash pip install tensorflow[and-cuda] ``` 验证安装： ```python import tensorflow as tf print(tf.config.list_physical_devices('GPU')) # 检查GPU是否识别 ``` #### **5. 安装PyTorch** 根据官网命令选择CUDA版本[^2]： ```bash # 示例：安装PyTorch 2.0 + CUDA 11.8 conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia ``` 验证安装： ```python import torch print(torch.cuda.is_available()) # 输出True表示GPU可用 ``` #### **6. 安装其他依赖库** ```bash pip install numpy matplotlib pandas scikit-learn jupyter ``` #### **7. 开发工具配置** - **PyCharm/VSCode**：关联Anaconda虚拟环境解释器。 - **Jupyter Notebook**： ```bash pip install jupyter jupyter notebook ``` --- ### 版本兼容性参考表 | 框架 | 推荐版本 | CUDA版本 | Python版本 | |-----------|----------|----------|------------| | TensorFlow| 2.12+ | 11.2+ | 3.8-3.10 | | PyTorch | 2.0+ | 11.8+ | 3.8-3.11 | ---
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

打赏作者

吃瓜小青年

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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