深度学习环境配置

1、前期准备

1.1、下载需要运行的代码，明确需要配置的环境条件（一般在requirement.txt文件中，或者README.md文件中）；

1.2、查看电脑适合的CUDA版本：桌面鼠标右键，打开NVIDIA控制面板，选择打开系统信息，点击组件，查询电脑支持的CUDA的最高版本（或者也可以选择：win+r – cmd – nvidia-smi查看版本）。

2、软件下载（下载CUDA+CUDNN）并安装

下载的CUDA版本以不高于系统最高（我的是11.6）为准，但是建议使用和源代码中一样的版本。

CUDA：https://developer.nvidia.com/cuda-toolkit-archive

CUDNN：cuDNN 历史版本 | NVIDIA 开发者

2.1、CUDA下载以及安装

CUDA下载（下载建议使用网速较好的网络）：

CUDA安装：

先需要卸载原来电脑中的CUDA，卸载时留NVIDIA的图形驱动程序、NVIDIA Physx系统软件、NVIDIA GeForce Experience；其他按照时间排序依次卸载。

卸载完记得重启电脑

直接双击安装，然后下一步（安装前需要安装Visual Studio，建议安装Visual Studio2015比较适配各种版本）；安装位置选择默认（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1）；

检查是否安装成功：win+r – cmd – nvcc -V

2.2、CUDNN下载及安装

解压CUDNN文件夹得到三个文件夹，将这三个文件夹的内容分别复制到CUDA的安装路径下的相应文件夹里面：

将以下三个变量添加到环境变量path中：

检查是否安装成功：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite

运行deviceQuery.exe；运行bandwidthTest.exe；

3、创建虚拟环境（默认电脑已经安装Anconda）

进入Anconda命令页（Anconda Prompt）；安装命令（conda create -n XXXX（名字） python=3.6，其中python的版本根据具体代码环境确定）；

激活环境：activate XXXX（名字）

退出环境：deactivate

查看已经创建的所有环境：conda env list

卸载删除环境：conda remove -n XXXX（名字）--all

查看环境中已经安装的库：pip list

conda create -n fasterrcnn python=3.6

activate fasterrcnn

deactivate fasterrcnn

conda env list

conda remove -n fasterrcnn --all

pip list

4、安装torch+torchvision

4.1、在线安装

进入pytorch官网，点击Previous versions of Pytorch查看历史版本；

找到需要下载的版本，复制与前面安装的CUDA一致的版本的代码，直接在虚拟环境的命令行窗口中粘贴，并点击回车。

安装torchvision类似

4.2、本地安装

在线安装下载太慢，建议采用前文的网址先下载安装文件，然后执行本地安装；复制文件所在位置；在命令行中输入

pip install D:\cuda10.1\torch-1.7.1+cu101-cp36-cp36m-win_amd64.whl

安装torchvision：

pip install D:\cuda10.1\torchvision-0.8.2+cu101-cp36-cp36m-win_amd64.whl

（需要先将下载的安装包解压）

验证是否安装成功：

python

import torch

print(torch.__version__)
print(torch.cuda.is__available())

5、安装其他包

直接输入pip install XXXX（包的名字）==版本号

pip install numpy==7.9.7