深度学习环境配置

一、Python3.8安装

（1）下载Python3.8

进入python官网 Download Python | Python.org

选择python3.8.10—>Windows installer(64-bit)文件下载

二、无GPU下tensorflow环境搭建

（1）确认无GPU可用

有GPU的情况下，尽可能按照第三节进行环境搭建。确实没有GPU可用（如何判断

见3.1），才按照本节进行安装。

（2）pip命令升级

为了获得最新版本的软件包而无需额外编译，则需要升级到最新版本的pip。

python-mpipinstall--upgradepip

（3）pip命令安装tensorflow

本节通过pip安装tensorflow的版本为2.4.0rc2（当然需要去tensorflow官网查看该版本，与前面已安装的python3.8版本是一致的）。考虑到后续开展机器学习所需的numpy,pandas,matplotlib,sklearn等工具包，我们通过豆瓣源一并安装。在窗口中输入：

pip install numpy pandas matplotlib sklearn tensorflow==2.4.0rc2 -i https://pypi.doubanio.com/simple

（也可以用“tensorflow-cpu==2.4.0rc2”替换上面的“tensorflow==2.4.0rc2”，显示指明安装的是CPU版），如下图所示，说明以上机器学习包及tensorflow2.4.0rc2框架安装成功。

（4）测试tensorflow安装是否成功

在命令窗口输入python回车，然后输入如下代码

import tensorflow as tf

tf.constant(1)

屏幕输出为：

或者输入：

import tensorflow as tf

print('The Version of Tensodflow is : { }' .format(tf.__version__))

屏幕输出为：The Version of Tensodflow is : 2.4.0-rc2:

则说明numpy,pandas,matplotlib,sklearn,tensorflow2.4.0rc2均安装成功！

 

三、有GPU下tensorflow与Pytorch双环境搭建

3.1安装CUDA

（1）查看GPU型号

查看电脑GPU型号

win+R打开cmd，输入

nvidia-smi

如图显示本机显卡型号为GeForceRTX206，为发挥显卡性能，你可以通过https://developer.nivdia.com/下载该显卡的最新驱动进行显卡驱动更新，然后在查看显卡驱动更新后对应的CUDA版本。图2.14显示本机显卡的驱动版本为457.63,其对应的CUDA版本号为11.1。那么11.1版本及其之前版本的cuda都是可以安装的。

你也可以根据电脑GPU的型号，从官网CUDA Toolkit Archive | NVIDIA Developer确认你电脑GPU所支持对应的CUDA和cuDNN版本号。

（2）下载CUDA

官网https://developer.nvidia.com/cuda-downloads下载cuda安装包。一般随着时间推移

最新的推出，本教程以cuda11.1为例。选择下面的Resources→ArchiveofPreviousCUDA

Releases→CUDAToolkit11.1(Sept2020)→Windows→x86_64→10→exe(local)

→Download(3.1GB)，耐心等待下载。

（3）安装CUDA

下载后点击exe文件运行，一路默认安装。到下图时选择自定义。

默认情况下只选第一项，若你的显卡驱动程序已更新到最高版本，而所选的CUDA版本所对应的硬件驱动程序版本较低，则不要选第三项。其他两项随意可选。

 

路径选择默认位置。后面一路默认就OK，安装成功关闭，需要记住这几个路径，后面

需要用到。

 

（4）配置环境

 

安装结束后，右键我的电脑-->属性-->高级系统设置-->环境变量，系统变量中已经加入了cuda的两个路径。

 

在系统变量中加入下面的路径，点击确定。

（5）检测cuda是否安装成功

 

打开cmd，cd两次到c目录下，复制cuda安装目录下的deviceQuery.exe和

bandwidthTest.exe两个程序的路径。分别运行这两个程序，result=pass则安装成功，否则就

重新安装。（也可以使用以下方式：找到这个两个文件，打开cmd，将这两个exe文件拖入cmd界面，回车运行）

deviceQuery.exe和bandwidthTest.exe路径:

 

重启电脑

nvcc-V

如下图所示，安装成功！

3.2安装cuDNN

 

(1)下载

点击进入cudnn下载地址 cuDNN Archive | NVIDIA Developerhttps://developer.nvidia.com/rdp/cudnn-archive选择相应的cuda版本下载cudnn版本（如果没有账号，需要注册一个账号才能进行下载）。

 

因为cuDNN的最新版11.4不对应cuda11.1，所以选择历史版本（Archived cuDNN Releases→Download cuDNN v8.2.1(June7th,2021), for CUDA11.x →cuDNN Library for Windows(x86)）。然后耐心等待下载。

（2）安装

对下载的cuDNN压缩包解压后出现如下三个文件夹

然后找到cuda的安装路径（本教程如下C:\ProgramFiles\NVIDIA GPU Computing Toolkit\CUDA\v11.1），依次将cuDNN三个文件夹的内容分别复制拷贝到cuda对应的文件夹

里面。如下所示：

（3）配置环境变量：

找到环境变量-系统变量-path，分别将如下三个变量添加进去，完成安装。

3.3Miniconda安装

（1）下载

在 Index of /anaconda/miniconda/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror网址查询，下载对应Python3.8版本号的

Miniconda3-py38_4.10.3-Windows-x86_64.exe

（2）安装

点击下载好的.exe文件点击next进行安装，记住安装路径，在配置环境变量的时候需要用到

 

建议勾选第二项。然后等待几分钟，即可安装成功。

 

（3）配置环境

 

在系统环境变量中，将以下3个目录添加到path中，这样我们可以直接在cmd命令窗

口使用conda命令。

D:\ProgramFiles\miniconda

D:\ProgramFiles\miniconda\Scripts

D:\ProgramFiles\miniconda\Library\lib

（4）添加conda镜像服务器

 

因为conda下载文件要用到国外的服务器，速度一般会比较慢，我们可以通过增加一个

清华的镜像服务器来解决。打开cmd终端或者AnacondaPrompt，粘贴并运行下面两行代码：

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

3.4双环境创建

 

安装完Miniconda3后，为便于创建Tensorflow和Pytorch两个深度学习平台，我们首先

通过Miniconda3创建两个虚拟环境，一个为py3.8-tf2.4，用来搭建Tensorflow2.4深度学习

平台；另一个虚拟环境为py3.8-torch1.8，用来搭建Pytorch1.8深度学习平台。

具体操作步骤如下：

打开AnacondaPrompt或win+r→cmd命令窗口，输入以下命令并回车，再在提示时输

入“y”再回车。几分钟过后，可创建对应python版本的虚拟环境：

conda create -n py3.8-tf2.4 python==3.8

其中“py3.8-tf2.4”为将用来搭建搭建Tensorflow2.4平台的虚拟环境名称，“3.8”为新环境对应的python版本。

同样步骤，再执行：

conda create -n py3.8-torch1.8 python==3.8

会得到名称为“py3.8-torch1.8”的虚拟环境，它将用来搭建搭建Pytorch1.8深度学习平台。重新进入AnacondaPrompt，可以使用“conda env list”命令查看已有环境

说明本电脑在miniconda3管理下，有5个环境，其中base是miniconda3自带虚拟环境，“py3.8-tf2.4”和“py3.8-torch1.8”是成功创建的环境。

 

 

 

3.5Tensorflow环境搭建 

（1）激活 py3.8-tf2.4 虚拟环境

在 Anaconda Prompt 窗口，输入以下命令激活环境

 conda activate py3.8-tf2.4

（2）在 py3.8-tf2.4 虚拟环境下安装

激活 py3.8-tf2.4 环境后，我们使用豆瓣源通过如下 pip 命令一次性安装 tensorflow2.4 平

台所需要的所有资源。

pip install numpy pandas matplotlib sklearn notebook tensorflow-gpu==2.4.0rc2 -i https://pypi.doubanio.com/simple

解决：版本不匹配

Build from source on Windows  |  TensorFlow (google.cn)看看官方给的版本对应关系 

我选择了2.7版本重新下载

pip install tensorflow-gpu==2.7.0 -i  https://pypi.mirrors.ustc.edu.cn/simple  

成功！

（3）安装 ipykernel 包

上面步骤安装完后，考虑别到要使用 jupyter notebook 为深度学习编译器，则需要安装

ipykernel 包。

进入 Anaconda Prompt 窗口，激活 py3.8-tf.2.4 环境（如第一步），输入

conda install ipykernel

3.6Pytorch1.8环境搭建

激活py3.8-torch1.8环境

conda activate py3.8-torch1.8

以前的 PyTorch 版本 |PyTorch的https://pytorch.org/get-started/previous-versions/

（1）下载torch1.8轮子

pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple

（2）重新进入AnacondaPrompt窗口，激活py3.8-torch1.8环境，输入如下命令：

pip install numpy pandas matplotlib sklearn notebook -i https://pypi.doubanio.com/simple 

实现资源包和jupyter的安装。

 

（3）安装ipykernel包

重新进入AnacondaPrompt窗口，激活py3.8-tf.2.4环境，输入

conda install ipykernel

（4）测试torch1.8

重新进入AnacondaPrompt窗口，激活py3.8-tf.2.4环境，先键入python进入python工作环境，然后键入importtorch，如果未报错，则pytorch安装成功，之后输入指令torce.cuda.is_available(),如果显示True，则GPU可被pytorch使用。