目录
2.1.2：是否使用CUDA——确定设备是否拥有英伟达独立显卡
一、环境配置
1.1：Python集成开发环境：Anaconda
Anaconda 可以便捷获取包且能够对包进行管理，同时对环境可以统一管理。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。
1.2：深度学习框架：Pytorch
PyTorch 是一种用于构建深度学习模型的功能完备框架，通常用于图像识别和语言处理等应用程序的机器学习。
1.3：开发工具：Visual Studio Code
VScode（Visual Studio Code）是一款由微软开发的免费、开源的跨平台代码编辑器。它具有轻量级、高度可定制和强大的功能，具有简洁的界面、丰富的功能和良好的扩展性，适用于各种编程任务和项目类型。无论是前端开发、后端开发，还是其他领域的开发工作，VScode都能提供高效、便捷的开发环境。
二、下载安装
2.1：前期准备工作
2.1.1：CPU与GPU对深度学习的影响
众所周知，分别使用CPU与GPU运行深度学习模型，在二者为相同级别（价格及天梯图位次）的情况下，GPU运行所需时间会比CPU成倍的缩短，主要原因有以下三点：
①GPU具有高效的并行计算，对矩阵乘法和卷积具有极大的计算优势
②CPU为延迟优化，GPU为带宽优化。简单来说，CPU可以更快速地获取内存数据，但单次运输量较少；GPU则与其相反，虽然获取速度慢，但单次运输量较大。从而得知：相同数据量下，CPU需要多次运输得以完成工作，GPU则仅需要很少的次数即可完成工作。 对于深度学习的典型任务场景，数据一般占用大块连续的内存空间，GPU可以提供最佳的内存带宽，并且线程并行带来的延迟几乎不会造成影响。
③GPU为每个处理单元均配备了一些寄存器，具有大量且快速的寄存器和L1缓存的易于编程性，使得GPU非常适合用于深度学习。
2.1.2：是否使用CUDA——确定设备是否拥有英伟达独立显卡
由于上述原因，CPU版本与GPU版本有显著差别，若设备有英伟达GPU，必然优先选择使用CUDA版本。
想知道设备是否满足本条件，第一：可以到设备官网查找本机型号的相关信息。第二： 以 Windows11 系统为例，右键此电脑，点击管理，打开设备管理器，在显示适配器一栏查看是否有NVIDIA，如图所示：
由于设备限制，本文仅展示GPU版本的下载安装。
2.2：下载与安装（GPU版）
2.2.1：Anaconda下载与安装
到官网下载Anaconda。
由于官方网站下载极慢，建议使用清华源镜像进行下载，选择相应的版本即可，在此不做赘述。
下载完成后，选择好安装路径，通通下一步即可（路径最好是全英文）
安装完成后可以在开始菜单找到Anaconda，打开
点击环境（Environments），看到base（root），这是基本环境，即代表安装成功
2.2.2：搭建虚拟环境
打开Anaconda命令窗口
利用 conda create 指令创建新的虚拟环境
1丨conda create –n 虚拟环境名字 python=版本
出现如下语句则输入y即可完成
2.2.3：安装Pytorch（pip方法）
如果设备可以装11.7或者11.8就直接粘贴复制到anaconda窗口，不行则选择箭头所示查找其他版本，直接安装好即可。
2.2.4：VScode下载与安装
打开VScode官网 选择相应版本下载安装即可，不做赘述。
三、参考文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
