深度学习环境配置-Pytorch(GPU)--Anaconda版本

目录

1.前言

2.安装Anaconda

2.1关于安装Anaconda的路径问题 

2.2安装过程图示

2.3检查conda并创建虚拟环境 

3.安装cuda

3.1安装图示

3.2检查cuda

4.安装pytorch

4.1检查环境是否可用

5.关于jupyter新建内核(kernel)

5.1图示过程

---

1.前言

        本篇文章将介绍如何使用Anaconda在本地创建一个带有Cuda加持Pytorch库，同时也会介绍如何在jupyter中添加本地新建内核(kernel)。同时由于篇幅较长，难免出现笔误或者出错，如有发现，欢迎指正。

2.安装Anaconda

      点击Anaconda官网地址，跳转到官方下载页面，如下图所示，直接点击Download进行下载，

        正常下载都是非常快速的，有些同学可能因为网络问题，导致这里下载缓慢，可以尝试更换较好的网络，或者断开网络重新连接下载，实在不行的同学，可以尝试使用清华大学镜像下载，如下所示 

找到适合的版本进行下载安装即可。

2.1关于安装Anaconda的路径问题 

        很多同学在安装类似于这样的学习软件时，都倾向于安装非用户目录下，也就是C盘之外，当然，这不是不可以，但笔者这里强烈建议将Anaconda安装到C盘的用户目录下，这样可以省去很多不必要的麻烦，笔者亲身实验，如果安装到其他盘，即使最后在环境变量中添加了正确的路径，在使用Anaconda的过程中，还是会把诸如我们所创建的虚拟环境目录放在C盘目录下，导致我们无法正常访问我们的虚拟环境，这显然是不明智的，因此，笔者接下来只演示安装在C盘用户目录下的方法，如果有读者能够提供其更方便的安装和正确配置方法，欢迎在评论区留言，以供大家参考学习。

2.2安装过程图示

        这里，笔者建议安装在默认用户目录下，有些同学可能会在这里出现错误提示，此时可以检查自己路径中是否含有中文名称，如果有，请把自己的用户名改为中文名，我们在命令行中使用conda命令时，路径中也禁止出现中文，更改用户名为中文名的方法这里不再赘述，可以自行查看网络教程，或者给笔者留言，如果出现路径问题较多，笔者可以再出一期关于修改用户名为英文的方法 

        这里，笔者推荐将选项二勾选，它可以将我们的conda路径自动添加在环境变量里面，当然，如果不勾选的话，在安装结束之后，可以自行添加。我会把这个图片放在本小结最后。 

        这里可以把这两个选项取消勾选，否则点击完成会自动打开Anaconda，我们在暂时不需要。 

2.3检查conda并创建虚拟环境 

        按住win+r输入cmd打开命令行提示符，输入如图命令检查conda安装是否成功，注意，一定是在安装完conda并且环境变量已经配置好的情况下打开命令行输入命令才会有效。

        注意，以上两个箭头所代表的命令分别是检查当前的虚拟环境，以及新建虚拟环境，在第二条命令中，Pytorch-cuda可以更改为自己喜欢的名字，python的版本也可以任意指定，笔者这里使用3.11版本。 

        环境创建完成之后，我们可以再次输入查看命令，发现虚拟环境中多了一个我们新建的虚拟环境，而base环境是conda默认的虚拟环境。 

        使用activate + 虚拟环境名，可以进入我们的虚拟环境，并查看我们的虚拟环境中此时都包含哪些库。笔者建议读者可以查阅anaconda常用命令，比如如何退出虚拟环境，打开jupyter notebook等至此，Anaconda环境的准备工作全部完成。

3.安装cuda

        这里笔者先给出安装cuda的网址，Cuda网址，在安装cuda之前，回到我们的命令行，执行命令

nvidia-smi

 

                检查到我们的CUDA版本是12.4，向下兼容，我们可以安装的CUDA版本只要低于这个数字即可，此时，打开我在段首给出的网址 ，如下图所示

        这里笔者选择12.2.0版本进行下载，点击之后，跳转到下载界面。 

        依次从上往下点击，最后点击下载即可。

3.1安装图示

这个步骤我有必要说一下，安装cuda时，英伟达会默认帮我们安装本地NVIDIA GeForce Experience通过它可以快速帮我们更新显卡驱动，我这里演示一下打开的模样，

        事实上，第一打开这个软件的同学可能需要注册， 我这里直接微信扫码，邮箱验证登录了，这个过程的速度因电脑性能和网络情况而定。打开之后，发现我们的显卡驱动可以更新，就可以直接选择更新驱动程序。这一步打不开的同学也可以跳过，并不影响我们的使用。

3.2检查cuda

        如图所示，重新打开一个新的命令行，输入命令

nvcc -V

         如果出现上图结果，证明cuda安装成功。

4.安装pytorch

        这是Pytorch官网，点击跳转到如下界面，然后向下翻，

找到箭头所指链接，点击链接，跳转到如下界面

在这里找到适合自己安装的cuda版本的命令，然后复制，笔者这里指向的两个命令均适用于现在的情况，我选择12.1进行下载，将命令复制，打开命令行，如下图所示 

这里，重新进入我们之前已经新建好的虚拟环境，然后复制刚刚的命令，回车，开始下载 

这个过程略微有些漫长，而且极易受到网络状况影响，建议更换较好的网络进行下载，实在不行，可以再次返回到我们刚刚复制命令的地方，更换其他版本命令返回命令行执行下载 。

4.1检查环境是否可用

这是安装完成之后的模样

安装完成之后，输入python命令，进入交互式编辑环境，提取torch库，输入

torch.cuda.is_available()

显示结果为True，则证明环境可用，至此，带有cuda的pytorch深度学习库安装完成。

5.关于jupyter新建内核(kernel)

        笔者这里说明一下，目前我们所新建的Pytorch-cuda环境，可以作为一个全新的python解释器在python环境中使用，例如PyCharm中，jupyter notebook中，但在jupyter notebook中，它作为一个虚拟环境并不能被直接使用，是要转化为jupyter可利用的内核(kernel),因此，笔者同样给出图示加以解释方法，做出说明。

5.1图示过程

 回到我们的命令行，输入

jupyter notebook

        会打开我们的jupyter notebook，值得一提的是，如果你在我们的已经配置好的虚拟环境中打开，那么大概率会是你不熟悉的模样，如我下图所示，这个是最新版本的jupyter notebook，与anaconda自带的jupyter略微不同，如果有喜欢原生anaconda风格的同学，可以推出虚拟环境再执行命令，这样就会打开你熟悉的风格😂 

         这里我打开之后，选择在桌面新建一个Deeplearning文件，来存放我的jupyter文件

 这里，我上传了本地的一个文件，作为例子。

         可以看到，此时我们可利用的内核(kernel)只有一个，现在，我们利用自己的环境，新建一个内核，回到命令行，执行如下命令

conda install ipykernel

         接着，执行如下命令，将我们虚拟环境新建为一个可用的内核

python -m ipykernel install --user --name=虚拟环境名

        最后，返回我们的jupyter，刷新页面，再次查看可利用内核，发现已成功添加可用内核。