目录
1.Anaconda安装
下载安装
下载完双击安装包,默认选项一直安装就行了
系统用户名应该为英文,避免很多麻烦
建议安装在c盘,直接在c盘新建个文件夹,命名为anaconda3(我装在E盘)
Finish后安装完毕
可能有的情况(我装新版遇到的)
菜单栏没有快捷键:
查看anaconda文件夹里面有没有menu文件夹,有没有anaconda-navigator.json文件,没有自己建,有就在命令行使用以下命令:
python .\Lib\_nsis.py mkmenus
详细见:
Tips--解决安装完Anaconda没有快捷方式的问题_conda安装完快捷方式执行程序位置-CSDN博客
2.新建python环境
方式一:命令行安装:
在电脑开始菜单,打开anaconda prompt,
使用以下命令都能创建python环境:
conda create --name py37 python=3.7
conda create -p C:\Anaconda3\envs\py37 python=3.7
创建完后,用下面命令激活:
conda activate py37
方式二:图形界面安装:
在电脑开始菜单,打开anaconda,在environments中,create一个环境,填写环境名、选择版本,创建即可。
3.包安装
查看已安装的包:
conda list:
conda 是 Anaconda 发行版中的包管理器,用于管理 Python 环境中的软件包。
conda list 会列出当前激活环境中通过 conda 安装的所有软件包及其版本。
通过 conda install 安装的软件包会出现在 conda list 的输出中。
pip list:
pip 是 Python 的官方包管理器,用于安装和管理 Python 软件包。
pip list 会列出当前激活环境中通过 pip 安装的所有软件包及其版本。
通过 pip install 安装的软件包会出现在 pip list 的输出中。
区别:
conda list 只列出通过 conda 安装的软件包,而 pip list 只列出通过 pip 安装的软件包。
两者并不总是互通的,即通过 pip 安装的软件包可能不会显示在 conda list 的输出中,反之亦然。
安装常用的包:
conda install --name py37 python=3.7 numpy scipy Pandas Matplotlib
在anaconda prompt里面,激活环境,输入命令,y同意就行了
一些命令可以进去这里看看,安装包用conda install或者pip install,不建议用conda create --name py37 python=3.7 numpy,这个是生成环境同时安装包
conda配置环境的一些常用命令_conda创建环境命令-CSDN博客
注意:挂VPN(外网)有时候会连接不上Conda 仓库,不挂有时候也连不上(这个很正常,conda库在国外),但是速度稍慢
4.框架安装:
Cuda安装:
按以下对应版本安装:
python3.7、CUDA10、cudnn7.6、Tensorflow-gpu-1.15(2.0也一样)
CUDA10.0
CUDA Toolkit 10.0 Download | NVIDIA Developer
找个位置安装,我默认安装
(组件CUDA中将Visual Studio Intergration、NVDIA GeForce Experience选项,取消掉。如果你的当前版本高于CUDA想要安装的新版本,那么一定要把display driver取消掉!如果你的当前版本低于CUDA想要安装的新版本,那么一定要把display driver勾选,驱动版本不够新,CUDA也运行不了。)
cudnn7.6.3
cuDNN Archive | NVIDIA Developer
(解压,将cudnn里面的bin、include、lib复制到cuda/v10.0对应的文件里面)
用命令查看是否安装成功:
nvcc -V
nvidia-smi
Tensorflow-gpu-1.15 安装:
pip install tensorflow-gpu==1.15
在激活环境后使用命令(不要挂VPN)
我是从下面学会的:
【精选】环境配置python3.7+tensorflow-gpu1.15+CUDA10+cudnn7.6_python3.7对应的tensorflow版本_朱小丰的博客-CSDN博客
更新protobuf(通常版本会匹配不上):
conda install protobuf
测试TensorFlow-gpu1.15程序:
import tensorflow as tf
matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2], [2]])
product = tf.matmul(matrix1, matrix2)
with tf.Session() as sess:
result2 = sess.run(product)
print(result2)
结果:
Tensorflow-gpu-2.0 安装:
pip install tensorflow-gpu==2.0.0
在激活环境后使用命令,和TensorFlow-gpu1.15、pytorch不兼容,要新建环境安装(不要挂VPN)
指定protobuf版本:
pip install protobuf==3.11.2
测试TensorFlow-gpu2.0程序:
import tensorflow as tf
# 检查是否有可用的 GPU
print('可用的 GPU 数量: ',len(tf.config.experimental.list_physical_devices('GPU')))
# 使用 TensorFlow 2.x API
matrix1 = tf.constant([[3, 3]])
matrix2 = tf.constant([[2], [2]])
product = tf.matmul(matrix1, matrix2)
# 直接打印结果
print(product.numpy())
结果:
Pytorch安装:
https://download.pytorch.org/whl/torch_stable.html
在网站下载对应版本的pytorch(cuda10.0对应torch-1.2.0)
保存到自己电脑的目录中
命令:pip install E:\AI_Phy\torch-1.2.0-cp37-cp37m-win_amd64.whl
Pytorch测试:
import torch
print(torch.__version__)
print(torch.cuda.is_available())
结果: