深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】

在宇宙的浩瀚中，我们是微不足道的，但我们的思维却可以触及无尽的边界。

关于Anaconda：

关于Pycharm：

关于Pytorch：

关于CUDA：

关于Cudnn：

一、🌎前言：

二、🔖Anaconda安装

三、🔖Pycharm安装

四、🔖CUDA安装

1、查看NVDIA显卡型号

2、判断自己应该下载什么版本的cuda

3、安装CUDA11.2 CUDA toolkit Download

五、🔖Cudnn安装

1、cuDNN下载

2、Cudnn配置

3、添加环境变量

六、🔖Pytorch安装

1、pytorch安装（gpu版本和cpu版本的安装）

2、验证配置是否成功

🥇Summary

获取源码？私信？关注？点赞？收藏？WeChat?

关于Anaconda：

Anaconda是一个专门为Python数据科学而设计的一组软件包，它涵盖了数据科学领域常见的Python库，并且自带了专门用来解决软件环境依赖问题的conda包管理系统。Anaconda提供了一个完整的Python发行版，预装了conda、某个版本的Python、众多软件包、科学计算工具等等。

具体来说，Anaconda具有以下特点：

包管理与环境管理：Anaconda利用conda来进行package和environment的管理，可以很方便地解决多版本Python并存、切换以及各种第三方包安装问题。
包含多个科学包：Anaconda包含了180多个科学包及其依赖项，这些包涵盖了数据科学、机器学习、数据分析等多个领域。
易于使用：Anaconda的安装和使用非常简单，用户可以通过简单的命令来安装和管理软件包和环境。
社区支持：Anaconda拥有庞大的用户社区，用户可以轻松找到其他用户在使用过程中的问题并获得帮助。

总的来说，Anaconda是一个功能强大、易于使用的Python发行版，适用于进行数据科学、机器学习、数据分析等领域的研究和应用。

关于Pycharm：

PyCharm是一种Python集成开发环境（IDE），由JetBrains公司打造。它为Python开发者提供了一套完整的工具，包括代码编辑器、调试器、测试工具、版本控制系统集成等等。

PyCharm具有以下优点：

强大的代码编辑器：PyCharm提供了自动补全、语法高亮、代码折叠、代码片段等功能，这些功能可以大大提高开发效率。
集成调试器：PyCharm内置了强大的调试器，可以对代码进行单步调试，查看变量值、函数调用栈等，方便开发者快速定位问题。
丰富的插件支持：PyCharm支持多种插件，可以扩展其功能，如支持Django、Flask、Pyramid等Web框架的插件。
版本控制系统集成：PyCharm支持多种版本控制系统，如Git、SVN等，可以方便地管理代码版本。
优秀的性能：PyCharm在运行速度和内存占用方面都表现出色，可以带来更加快速和流畅的开发体验。

总的来说，PyCharm是一款功能强大的Python开发工具，可帮助Python开发者提高效率、保证代码质量、降低开发成本。

关于Pytorch：

PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。

PyTorch具有以下特点：

张量（Tensor）：PyTorch的核心组件是张量，它是一个多维数组，可以用于存储和处理数据。PyTorch的张量与NumPy的数组类似，但也提供了GPU加速和自动微分等功能。
动态计算图（Dynamic Computational Graph）：PyTorch使用动态计算图，这意味着在运行时可以修改计算图，从而允许更灵活的模型构建和调试。这与TensorFlow等框架的静态计算图不同。
自动微分（Automatic Differentiation）：PyTorch支持自动微分，可以方便地计算张量的梯度。这为构建和训练深度学习模型提供了便利。
神经网络（Neural Networks）：PyTorch提供了构建和训练神经网络的工具，包括各种层、激活函数、损失函数等等。
数据加载（Data Loading）：PyTorch提供了可扩展的数据加载工具，可以方便地加载各种类型的数据集。
GPU加速（GPU Acceleration）：PyTorch可以利用GPU进行加速，这意味着它可以处理大规模的数据集和复杂的深度学习模型。
工具集（Toolkits）：PyTorch提供了许多工具集，如torchvision用于图像处理、torchtext用于文本处理、ignite用于训练和评估模型等等。

总的来说，PyTorch是一个功能强大的Python机器学习库，适用于构建和训练各种深度学习模型。

关于CUDA：

CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。它是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。

CUDA的核心是一个C语言编译器，开发人员可以使用C语言来为CUDA架构编写程序，所编写出的程序可以在支持CUDA的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。

CUDA体系结构的组成包括开发库、运行期环境和驱动。它是一个新的基础架构，这个架构可以使用GPU来解决商业、工业以及科学方面的复杂计算问题。它是一个完整的GPGPU解决方案，提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问。

目前只有G80平台的NVidia显卡才能使用CUDA，因此它非常适合进行并行计算，数值计算的速度远远优于CPU并行计算。

关于Cudnn：

cuDNN（CUDA Deep Neural Network library）是由NVIDIA开发的一个深度学习GPU加速库。它专门为深度学习设计，为神经网络中的常见计算任务提供了高度优化的实现，包括前向卷积、反向卷积、注意力机制、矩阵乘法（matmul）、池化（pooling）和归一化（normalization）等。

cuDNN的主要功能和特点包括：

高效运算：cuDNN经过精心设计和优化，可以在NVIDIA的GPU硬件上实现最佳性能。它利用了NVIDIA GPU的并行处理能力，从而大大加速了神经网络的训练和推断过程。
与深度学习框架集成：多数主流的深度学习框架（如TensorFlow、PyTorch、Caffe等）都集成了cuDNN。这意味着当开发者使用这些框架并在NVIDIA GPU上运行时，他们会自动从cuDNN的高效运算中受益。
优化深度学习任务：cuDNN为深度学习任务提供了高度优化的函数，如卷积操作、池化操作、激活函数、归一化等。这些操作在GPU上运行得非常快，大大减少了单次迭代的时间。

总的来说，cuDNN是一个为深度学习在NVIDIA GPU上提供高效运算的库，它使得深度学习框架可以在NVIDIA GPU上实现最佳性能。

一、🌎前言：

本篇博客为 深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】

一直走在路上🏔

二、🔖Anaconda安装

1、官网下载Anaconda安装包

2、下载完成，点击安装

上述内容安装完成后，已经默认将PATH环境变量配置完成，可点击：

3、打开anaconda

4、修改源

anaconda安装完成之后请切换到国内的源来提高下载速度，命令如下：

conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

首先创建python3.8的虚拟环境，请在命令行中执行下列操作：

conda create -n yolomask1218 python==3.8.5
conda activate yolomask1218

三、🔖Pycharm安装

见以下文章：

关于 Pycharm专业版安装教程，简单好用_pycharm专业版安装教程-CSDN博客https://blog.csdn.net/m0_63244368/article/details/124081597

关于 Pycharm专业版安装教程，简单好用_pycharm专业版安装教程-CSDN博客https://blog.csdn.net/m0_63244368/article/details/124087244推荐学生使用学生邮箱注册，可使用一年，一年后可继续延续使用

四、🔖CUDA安装

需要使用NVDIA显卡

1、查看NVDIA显卡型号

2、判断自己应该下载什么版本的cuda

在终端输入：

nvidia-smi

由上图可知，我们需要CUDA版本是12.2及以下版本(此处版本向下兼容，即按照开发库一般不建议使用最新版本的原则，此处我们的显卡及驱动最高支持 CUDA12.2 ，但是我们仍然选择 11.2 版本来完成开发工作。)

3、安装CUDA11.2 CUDA toolkit Download

需要CUDA11.2的可以通过百度网盘链接下载：

链接：https://pan.baidu.com/s/1ztSpsDfMB9L0FNs5EwTN9w?pwd=novo
提取码：novo

我们可以在官网网站下载自己需要的CUDA版本

CUDA Toolkit Archive | NVIDIA Developerhttps://developer.nvidia.com/cuda-toolkit-archive如下图所示：

点击cuda_11.2.1_461.09_win10.exe ，根据步骤点击即可（自动配置环境变量）

打开控制面板即可发现安装了一大堆配置和驱动文件。

查看环境变量

点击设置-->搜索高级系统设置-->查看环境变量

【如果没有需要自己添加】

安装完成后，在命令行输入，查看cuda版本以及安装位置

验证CUDA是否安装成功：

WIN+R 键运行 cmd，输入 nvcc -V 即可查看版本号；

set cuda，可以查看 CUDA 设置的环境变量。

nvcc -V

set cuda

表明我们安装完成！！！

此时，CUDA安装已经成功，但是在完成张量加速运算时还需要cuDNN的辅助，因此下面安装cuDNN。

五、🔖Cudnn安装

1、cuDNN下载

cuDNN地址如下，不过要注意的是，我们需要注册一个账号，才可以进入到下载界面。大家可以放心注册的。

使用下面网址，查看适配的 cuDNN

cuDNN Archive | NVIDIA Developerhttps://developer.nvidia.com/rdp/cudnn-archive

选择跟自己的cuda版本适配的cudnn版本，此处我安装的是CUDA11.2，因此我选取下面的版本：

2、Cudnn配置

cuDNN叫配置更为准确，我们先把下载的 cuDNN 解压缩，会得到下面的文件：

下载后发现其实cudnn不是一个exe文件，而是一个压缩包，解压后，有三个文件夹，把三个文件夹拷贝到cuda的安装目录下。

CUDA 的安装路径在前面截图中有，或者打开电脑的环境变量查看，默认的安装路径如下：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2

此处我们最好分别将文件夹内容复制到对应文件夹中

拷贝时看到，CUDA 的安装目录中，有和 cuDNN 解压缩后的同名文件夹，这里注意，不需要担心，直接复制即可。

cuDNN 其实是 CUDA 的一个补丁，专为深度学习运算进行优化的。

3、添加环境变量

添加至系统变量：

往系统环境变量中的 path 添加如下路径（根据自己的路径进行修改）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp

六、🔖Pytorch安装

1、pytorch安装（gpu版本和cpu版本的安装）

实际测试情况是YOLOv5在CPU和GPU的情况下均可使用，不过在CPU的条件下训练那个速度会令人发指，所以有条件的小伙伴一定要安装GPU版本的Pytorch，没有条件的小伙伴最好是租服务器来使用。

可以在Pytorch官网查看自己需要的安装版本：

Previous PyTorch Versions | PyTorchhttps://pytorch.org/get-started/previous-versions/

我这里创建的是python3.8的环境，安装的Pytorch的版本是1.8.0，命令如下：

conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2

或者使用清华镜像源等：

pip install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

2、验证配置是否成功

这个时候我还是喜欢直接使用代码验证，毕竟我们需要跑代码ε=ε=ε=(~￣▽￣)~

进入我们的Pycharm python环境，然后输入以下代码测试：

这段代码是使用PyTorch库来检查CUDA和cuDNN的相关信息。

# 导入PyTorch库，这是一个用于深度学习的开源库
import torch

# 打印可用的GPU设备数量
print(torch.cuda.device_count())

# 打印是否可以使用CUDA，即是否可以在GPU上运行计算
print(torch.cuda.is_available())

# 打印是否可以使用cuDNN，这是一个用于深度神经网络的库，它提供了优化的计算和内存访问模式
print(torch.backends.cudnn.is_available)

# 打印CUDA的版本号  
print(torch.cuda_version)

# 打印cuDNN的版本号
print(torch.backends.cudnn.version())

这些信息可以帮助你了解你的系统是否可以运行使用CUDA和cuDNN优化的PyTorch代码，以及它们的版本信息。