深度学习环境配置：显卡驱动+Anaconda库管理+Pycharm IDE开发环境+pytorch安装

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章 Python 机器学习入门之pandas的使用

---

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

深度学习环境的安装配置，安装顺序不要颠倒。按照显卡驱动-CUDA安装-Anaconda安装-pytorch安装的顺序。

一、安装NVIDIA显卡驱动、CUDA和cuDNN

1.1 安装/更新显卡驱动

安装新版NVIDIA显卡驱动对于运行数据集来说是非常重要的，原因主要有以下几点：

		首先，显卡驱动是显卡与计算机操作系统之间的接口，它使得显卡能够正常工作并发挥其应有的性能。当你运行一个数据集时，尤其是涉及图形处理或深度学习等计算密集型任务时，显卡的性能至关重要。因此，安装最新版的显卡驱动可以确保显卡与操作系统之间的兼容性，从而提供最佳的性能和稳定性。
		
    其次，新版显卡驱动通常会修复旧版本中的一些错误和漏洞，提升显卡的性能和稳定性。这意味着在运行数据集时，新版驱动能够更有效地利用显卡的资源，减少出错的可能性，并提升计算速度。
    
    此外，随着技术的发展和新的算法、技术的出现，新版显卡驱动还可能支持新的特性和功能。这些新特性可能有助于更好地处理数据集，提高计算效率，或者为开发者提供更多的灵活性和选择。
    
    综上所述，安装新版NVIDIA显卡驱动可以确保显卡与操作系统的兼容性，提升显卡的性能和稳定性，并可能支持新的特性和功能，从而有助于更好地运行和处理数据集。

• 首先要查看你的显卡型号(在设备管理器中同样可以查看)；
  
• 在官网上找自己的显卡型号系列
• 默认安装位置就好，不建议安装到别的盘里；
• 使用快捷键windows+r，输入cmd,在命令行中输入nvidia-smi，出现以下内容，说明安装成功：
  

1.2 安装CUDA Toolkit

• 访问 CUDA Toolkit Archive。
  下载CUDA Toolkit，版本应**<=上图中CUDA版本**。
  下载完后，双击运行，最好默认安装位置

1.3 安装cuDNN

• 访问 cuDNN下载页面（需要注册NVIDIA账号）。

• 选择与你的CUDA版本匹配的cuDNN版本（例如，对于CUDA 11.x，选择最新支持CUDA 11.x的cuDNN）。

下载后是一个压缩包。解压后，将其中的 bin, include, lib 文件夹直接复制到你的CUDA安装目录（默认为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8）中，合并文件夹。

1.4 配置系统环境变量

• 在桌面“此电脑”，鼠标右键，选择“属性”；
• 打开后，鼠标滚轮直接向下划到底，点击“高级系统设置”；
• 选择“环境变量”， 就可以在系统变量那里看到我们安装好的CUDA了；
• 在系统环境变量下面鼠标下滑找到“Path”，双击打开；记住自己的CUDA存放位置：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1
• 点击“新建”，添加环境变量，依次新建五次，添加五次；

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\CUPTI\lib64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1\bin\win64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1\common\lib\x64

1.5 验证安装

打开命令提示符（Win+R，输入cmd）。

输入 nvcc -V，应显示CUDA的版本信息。

输入 nvidia-smi，应显示显卡状态和驱动/CUDA版本信息。这里显示的CUDA版本是驱动支持的最高版本，只要它不低于你安装的CUDA Toolkit版本即可。

二、安装Anaconda并创建虚拟环境

2.1 安装Anaconda

• 访问 Anaconda官网，下载Python 3.9版本的Windows安装包。

• 双击安装，安装路径建议不要有中文和空格（如 D:\Anaconda3）。

• 安装选项中，强烈建议勾选 “Add Anaconda3 to my PATH environment variable”（虽然会提示不推荐，但这会让后续配置更简单）和 “Register Anaconda3 as my default Python 3.9”。

2.2 创建虚拟环境

• 打开 Anaconda Prompt（在开始菜单中搜索）。

• 执行以下命令，创建一个名为 pytorch_env（可自定义）的虚拟环境，并指定Python版本为3.9：

conda create -n pytorch_env python=3.9

• 输入 y 确认安装。

• 激活（进入）该环境：

conda activate pytorch_env

• 命令行前缀会从 (base) 变为 (pytorch_env)，表示你已在该环境中操作。

三、安装PyTorch（GPU版本）

• 确保你在上一步创建的 pytorch_env 环境中（命令行前缀为 (pytorch_env)）。

• 进入 PyTorch 官方安装网址(网页端搜索PyTorch)，选择以下安装选项：

  • 第二行：根据自己的电脑版本选择
  • 第三行：选择通过 pip 或 conda 安装（推荐pip）
  • 第五行：根据自己的 CUDA 版本来选择对应的 PyTorch 版本（非 NVIDIA 则选择 CPU 版本）

• 选择你的配置（例如：Stable (2.0.1) -> Windows -> Pip -> Python -> CUDA 11.8）。

官网会生成一行类似于下面的pip安装命令：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

在 Anaconda Prompt (pytorch_env环境下) 中，复制并运行这行命令。（或者点击 “previous versions of PyTorch” 选择之前的 PyTorch 版本。）

等待安装完成。这个过程可能需要较长时间，请保持网络通畅。

四、安装并配置PyCharm

4.1 安装PyCharm

• 访问 JetBrains官网，下载 Community（社区版），它免费且功能足够学习使用。

• 双击安装，安装路径建议不要有中文和空格（如 D:\PyCharm）。

• 安装选项中，勾选所有关联（.py），以及“添加到PATH”。

4.2 创建新项目并配置Conda解释器

• 打开PyCharm，选择 New Project。

• 选择项目存放位置（Location）。

• 最关键的一步: 展开 Python Interpreter 选项。

• 选择 Previously configured interpreter -> Add Interpreter -> Add Local Interpreter…。

• 在弹出的窗口中，选择左侧 Conda Environment。

• 选择 Use existing environment，然后点击右侧的 … 浏览按钮。

• 导航到你的Anaconda安装目录下的 envs 文件夹（如 D:\Anaconda3\envs），选择你之前创建的 pytorch_env 环境中的 python.exe 文件（路径类似于 D:\Anaconda3\envs\pytorch_env\python.exe）。

• 点击 OK -> OK。

• 点击 Create 创建项目。

• 现在，你的PyCharm项目就和你之前创建并安装了PyTorch的Conda虚拟环境绑定在一起了。

五、验证环境

• 在PyCharm中新建一个Python文件，例如 test_gpu.py。

输入以下代码：

python
import torch

# 检查PyTorch是否安装成功
print(f"PyTorch version: {torch.__version__}")

# 检查CUDA（GPU支持）是否可用
print(f"CUDA is available: {torch.cuda.is_available()}")

# 如果可用，打印当前GPU设备名称
if torch.cuda.is_available():
    print(f"Current GPU device: {torch.cuda.get_device_name(0)}")
else:
    print("No GPU found. Using CPU.")

# 创建一个张量并将其移动到GPU上（如果可用）
x = torch.tensor([1.0, 2.0, 3.0])
if torch.cuda.is_available():
    x = x.cuda()
print(x)

• 右键运行该脚本。

预期结果:

输出PyTorch版本号（如 2.0.1）。

输出 CUDA is available: True。

输出你的显卡型号（如 NVIDIA GeForce RTX 3060）。

输出张量，并显示设备为 device=‘cuda:0’。

如果所有输出都符合预期，恭喜你！你的深度学习实验环境已全部配置成功！。

---

参考

• https://blog.csdn.net/HqyHans/article/details/135718533
• https://blog.csdn.net/sdjklghiof/article/details/137777480
• https://blog.csdn.net/m0_63244368/article/details/135070205