【深度学习环境搭建】python+anaconda+cuda+pytorch

1.下载pycharm

进入pycharm的官网
https://www.jetbrains.com.cn/en-us/pycharm/download/?section=windows
下载pycharm,可以选择社区版，是免费的

2.安装anaconda

anaconda介绍
Anaconda集成了大多数常用的科学计算的包，比如：numpy、pandas等,适合深度学习开发。
Anaconda会自动安装一个基本的python，不用再去安装python,也不用手动再去安装一些别的科学计算的包了。
Anaconda可以创建使用和管理多个不同的Python版本：比如想要新建一个新框架或者使用不同于Anoconda装的基本Python版本，Anoconda就可以实现同时多个python版本的管理。

下载anaconda
在清华镜像官网下载：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
这里下载的速度快。选择对应操作系统的版本进行下载安装。

验证
下载完成后
cmd输入conda --version，出现对应的版本号即安装成功

3.创建虚拟环境

终端输入：

conda create -n yolov8 python=3.8

其中-n是name的缩写，（yolov8可以改成自己命名的环境名称）
创建完成后输入：

conda env list

查看是否创建成功该虚拟环境

遇到的问题：创建环境时候遇到anaconda 报错之Solving environment: failed
原因：镜像的问题，修改.condarc中的镜像

简单粗暴将文件内容里面全部替换成这个：

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

然后再创建虚拟环境就可以了
参考文章：https://www.cnblogs.com/johnyang/p/13417374.html
激活环境

conda activate yolov8

终端输入 conda activate yolov8（这里是你的环境名称，我的叫yolov8）
前面的base变成你所激活的环境名称即可

4. 安装cuda

先查看电脑支持的cuda最高版本以及驱动最高版本，再下载小于或者等于该版本的cuda
终端输入nvidia-smi,cuda版本要小于12.3

下载CUDA
CUDA下载链接：https://developer.nvidia.com/cuda-toolkit-archive
这里选择的版本不能高于你的显卡驱动里面那个版本号，这里我下载了11.8的。


安装完成后配置环境变量
这里我的路径都是选择默认安装路径的。

上面两个是自己配好的，如果没有手动添加。

如果你也是默认路径，只需要修改对应的版本号即可。
添加变量：

变量名：CUDA_PATH
变量值：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8

变量名：CUDA_PATH_V11_8
变量值：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8

变量名：NVCUDASAMPLES_ROOT
变量值：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.8

变量名：NVCUDASAMPLES11_8_ROOT
变量值：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.8

验证
验证cuda是否安装成功：输入nvcc - V ，安装成功会有以下安装的版本信息

5. 下载cuDNN

cuDNN介绍
cuDNN（CUDA Deep Neural Network library）：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库，它可以加速你的训练。
cuda和cuDNN的关系参考：http://t.csdnimg.cn/tAQpY
下载cuDNN:
（1）需要注册一个账号，如果没有是不能下载cudnn的。
下载链接：https://developer.nvidia.com/rdp/cudnn-download
（2）根据自己安装的cuda版本选择cudnn，这里我们安装的是11.8，所以下载11.8版本的cuDNN

11.8cuda对应的cuDNN的版本

解压到合适位置
然后打开文件，将这三个文件进行复制，粘贴到 cuda 安装位置中

打开cuda的安装位置
如果默认安装的话，你的cuda位置应该在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
选择粘贴到该文件夹下，替换同名文件

配置环境变量
在环境变量中双击path,添加下面四个变量

将下面这些内容放在这个path中。就将替换后的 bin、include、lib以及libnvvp路径。版本号对应你下载的。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\libnvvp

验证
进行cuDNN验证：
进入C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite目录下
在终端打开，

输入：

.\bandwidthTest.exe
.\deviceQuery.exe

出现Result = PASS则说明配置成功。

参考文章：http://t.csdnimg.cn/6VcH8

6.安装PyTorch

在刚才创建的虚拟环境下进行安装
进入Pytorch官网：https://pytorch.org/
选择对应的版本，复制下载链接，速度太慢后面可以加上清华源：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple

如果出现一堆warning和error，可以从以下两个方面考虑：
（1）是否翻墙，网络信号不好
解决方法：关掉外网即可
（2）安装的CUDA版本是否大于刚刚查看的CUDA版本号
解决方法：cuda版本和pytorch版本对应起来

等待pytorch安装完毕
此时你的pytorch版本的虚拟环境已经创建完毕

7. 在PyCharm中选择虚拟环境

到这里，你的pytorch的深度学习的虚拟环境就搭建好啦！
参考文章：http://t.csdnimg.cn/BRadE