手把手进行深度学习环境配置

手把手进行深度学习环境配置

引用

CSDN

1.

https://blog.csdn.net/m0_54111890/article/details/143920360

深度学习环境的配置是入门深度学习的重要一步，涉及到CUDA、cuDNN、Anaconda和PyCharm等多个组件的安装和配置。本文将手把手教你完成整个配置过程，适合零基础的初学者参考。

基础软件下载

首先，需要下载CUDA和cuDNN、Anaconda、以及编程环境PyCharm。具体下载的版本需要根据电脑配置来决定，详细配置方法可以参考相关教程。

深度学习环境搭建

第一步：环境配置要求

依据GitHub上面给出的环境配置要求，通常以requirements命名的文件或README.md中的Requirements部分进行说明。例如：

• 在README.md中Requirements部分给出
• 在requirements命名的文件中给出

对于有requirements文件的情况，可以使用以下指令进行一键安装：

conda env create -f environment.yml

第二步：创建和管理Conda虚拟环境

这一步需要在Anaconda Prompt中进行操作：

1. 切换到深度学习程序所在的文件夹：

D:
cd D:\CycleGAN\pytorch-CycleGAN-and-pix2pix-master

2. 创建虚拟环境：

conda env create -f environment.yml

如果没有requirements文件，可以使用以下指令创建：

conda create -n your_env_name(新建的虚拟环境的名字) python=n（指定python版本）

如果需要删除虚拟环境，可以使用以下指令：

conda remove -n your_env_name(需要删除的虚拟环境的名字) --all

3. 激活环境：

conda activate your_env_name（需要进入的环境的名称）

4. 查看当前环境下的所有包：

conda list

5. 退出环境：

conda deactivate

安装开源包

在安装这些包之前，一定要确定自己当前所在的环境是否是正确的环境，不要将包安装错了环境，base环境不可以安装包：

conda install package(包的名字)

例如：

conda install numpy

这里也可以使用pip，将上面的conda改成pip即可。

删除和更新包

删除包：

conda uninstall package(包的名字)

更新包：

conda/pip update package（包的名字）

有些包运行出问题的话就卸载重新下载或者更新，这里以visdom为例：

pip install --upgrade visdom
python -m visdom.server

可视化visdom的打开指令如上，网址为http://localhost:8097/

配置国内镜像源

源是Anaconda的下载通道，默认的源是国外网站，可能有时候下载速度会很慢，因此需要配置国内的镜像源，从而加快下载速度。

1. 显示当前已有的源：

conda config --show channels

2. 重置镜像源：

conda config --remove-key channels

3. 配置国内镜像源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

配置虚拟环境位置

有些用户可能会发现，在安装Anaconda的时候，安装路径设置在C盘以外的其他位置，但是每次使用Anaconda创建虚拟环境的时候，位置总是会出现在C盘。下面介绍配置方法：

1. 打开文件夹，点开C盘，点击用户
2. 点击自己用户名的文件夹
3. 存在两种情况：

a. 存在.condarc的文件：

1）接着查看文件的内容
2）然后在最底层加上：

envs_dirs:
- D://（后面的文件路径同样根据内存自己决定）anaconda3//envs

b. 第二种情况就是没有这个.condarc的文件，那么就点击"win"+“r”，搜索“cmd”调出终端，然后输入：

conda config --set show_channel_urls yes

回车键后就会在上面说的路径生成.condarc文件，然后将生成的文件的内容改成上面a步骤所说的就可以了。

匹配版本

在安装开源的包，进行环境配置的时候一定注意把自己电脑的GPU型号、PyTorch、CUDA、Python的版本、以及你所跑项目所需的版本号进行兼容匹配。

1. 根据自己的显卡型号确定显卡算力：查询网站查询显卡算力
2. 根据算力，匹配合适的CUDA版本

例如，Geforce RTX3060显卡的算力是8.6，适配的CUDA版本有11.1-11.4、11.5-11.7.1、11.8、12.0-12.4

还需要注意，CUDA版本不可以超过显卡可以支持的版本，具体查询方法如下：

1. 打开NVIDIA控制面板，进入系统信息

2. 进入组件，就可以查到版本号了，这是向下兼容的，我们安装的CUDA版本只要小于这个版本号即可。

3. 根据CUDA的版本选择PyTorch版本

4. 进行Python版本确定

CUDA和cuDNN的安装

CUDA的安装

参照相关教程进行安装。

cuDNN的安装

1. 进入官网，找到适合自己CUDA版本的cuDNN，点击进入。
2. 下载.zip文件
3. 下载后解压
4. 将三个文件夹复制对应文件夹下

至此，cuDNN完成安装。

最后一步

把要跑的深度学习项目拖拽到PyCharm进行项目创建，然后在PyCharm环境右下角进行编译器（刚才搭建的虚拟环境的载入）。

至此，就可以根据项目readme文件进行深度学习项目的训练了。