深度学习环境搭建（Anaconda+Pytorch+CUDA+cuDNN）

最新推荐文章于 2025-08-03 14:17:12 发布
原创 最新推荐文章于 2025-08-03 14:17:12 发布 · 1.5k 阅读 · 33 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #pytorch #人工智能

搭建深度学习环境步骤

一、Anaconda

1、anaconda下载：https://www.anaconda.com

清华大学开源镜像下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

2、anaconda安装

点击下载后的.exe文件一直next安装即可。

一般情况下选择all users：

注意更改自己的安装目录，新建的文件夹应该是空的，不然会报错，文件名称也不能有中文名

这里我两个都打勾，后续也没有出现错误

最低0.47元/天 解锁文章

200万优质内容无限畅学
【深度学习环境配置】Anaconda + PyCharm + CUDA + cuDNN + PyTorch + OpenCV
shinuone的博客
02-23 2万+
（1）【CPU版本】Anaconda（Python） + Pycharm + Pytorch（CPU） + Opencv （2）【GPU版本】Anaconda（Python） + Pycharm + CUDA + cuDNN + Pytorch（GPU） + Opencv
全网最详细深度学习环境配置（Pycharm+anaconda+pytorch+TensorFlow+cuda+cudnn+改变虚拟环境包位置）
m0_67812945的博客
10-21 8701
实现深度学习环境配置包括Pycharm，anaconda，torch，TensorFlow等
深度学习环境配置_ubuntu18及以上
chumingqian的博客
05-14 5797
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
Pytorch的安装，有点繁琐但是很详细，保姆级教程不信你安装不成功（Cuda+Cudnn+Anaconda+Pytorch）
weixin_46668520的博客
11-15 7567
PyTorch是一个开源的Python机器学习库，它提供了丰富的工具和功能，用于构建深度学习模型。它由Facebook的人工智能研究小组于2016年发布，并迅速成为深度学习领域中最受欢迎的框架之一。PyTorch的设计目标是提供简单易用的接口，同时保持灵活性和高性能。它基于动态计算图的概念，这意味着模型的计算图是根据实际运行时的数据动态构建的。这种设计使得PyTorch在实验和原型开发方面非常方便，因为用户可以轻松地编写和调试模型，而无需事先定义静态计算图。
深度学习环境安装教程-anaconda-python-pytorch
no_work的博客
05-27 2975
这里建议python的版本为3.8，pytorch的版本为1.8.1，当我们输入python回车显示的python版本如果不是3.8版本则需要在anaconda中新建个python3.8的环境，新建的虚拟环境，和当前显示的环境并不会冲突，可以切换使用。尽量选择最新的日期的anaconda进行安装，我这里是windows电脑，因此选择了windos-x86_64.exe，大家根据自己的电脑系统来选择相应的anaconda安装包。activate python38进入到我们安装好的环境中。
深度学习环境配置超详细教程【Anaconda+PyTorch(GPU版)+CUDA+cuDNN】
热门推荐
qq_43874102的博客
02-27 16万+
深度学习环境配置 入门深度学习，首先要做的事情就是要搭建深度学习的环境。不管你是Windows用户，Mac用户还是Ubuntu用户，只要电脑配置允许，都可以做深度学习，毕竟Windows、Mac和Ubuntu系统都可以进行深度学习环境的搭建。接下来就记录下自己在Windows系统上搭建深度学习环境的过程，方便自己存档也为大家提供一个参考。 本次环境配置主要模式是基于Anaconda+PyTorch(GPU版)+CUDA+cuDNN进行搭建的。..................
深度学习环境搭建心得：“CUDA+CUDNN+Anaconda+Pytorch+Tensorflow”仅提醒
qq_43617906的博客
07-07 240
深度学习环境搭建、pytorch版本对应安装、cuda版本对应等
超简单的深度学习环境配置Anaconda+Pytorch+Pycharm+CUDA
weixin_45992725的博客
06-25 3518
在学习深度学习，目标检测这些人工智能领域的东西时，绕不开一个东西就是PyTorch。这篇博客就是关于的这个环境的配置，最主要的就是讲一下在配置过程中遇到的问题。提示：以下是本篇文章正文内容，下面案例可供参考。
(超详细)搭建深度学习环境【Anaconda+Pycharm+NVIDIA 显卡驱动+PyTorch(含GPU版)+CUDA+cuDNN+win10】+ 配置系统环境变量
2302_76846184的博客
04-30 2万+
(超详细)搭建深度学习环境【Anaconda+Pycharm+NVIDIA 显卡驱动+PyTorch(含GPU版)+CUDA+cuDNN+win10】+ 配置系统环境变量 + YOLO跑数据集环境部署
搭建Anaconda+cuda+cudnn+pytorch+pycharm的笔记
01-16
CUDA的安装与配置是深度学习环境搭建中的重点和难点，需要与特定的NVIDIA显卡驱动版本和GPU硬件兼容。安装完成后，需要验证CUDA是否安装成功，可以通过在命令行中输入cuda --version来检查。 然后，安装cuDNN。...
超详细||深度学习环境搭建记录cuda+anaconda+pytorch+pycharm
liuzifu123的博客
03-17 5001
本文用来记录windows系统上深度学习的环境搭建，目录如下。
使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
FL1623863129的博客
08-03 738
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
CS231n2017 Lecture10 RNN笔记
Se_ren_di_pity的博客
08-02 725
循环神经网络(Recurrent Neural Networks)，可以实现不同类型的输入/输出如：1 to 1：固定输入得到固定输出1 to many: 比如输入固定size的图片，输出的是可变长度的序列，比如一段描述文本，长度随着单词数而变many to 1: 比如输入一段可变长度的文本，输出其情感分类向量many to many: 比如翻译任务。
深度学习（鱼书）day08--误差反向传播（后三节）
weixin_66162442的博客
08-01 920
本文介绍了深度学习中的误差反向传播算法，重点讲解了激活函数层和Affine层的实现。在激活函数层部分，详细分析了ReLU层和Sigmoid层的前向传播和反向传播过程，包括数学表达式和Python实现代码。ReLU层通过mask机制实现开关功能，Sigmoid层则通过计算图分解步骤进行求导。在Affine层部分，解释了矩阵乘积运算的仿射变换性质，展示了单个数据和批处理数据的实现方式，并给出了相应的类实现代码。文章通过计算图直观地展示了各层的运算过程，并强调了矩阵运算中形状匹配的重要性。
CS231n2017-Lecture9经典CNN架构笔记
Se_ren_di_pity的博客
08-01 893
首先回顾一下LeNet-5，该网络结构为[CONV-POOL-CONV-POOL-FC-FC]，卷积层使用的的卷积核，步长为1,；池化层使用的size，步长为2。
深度学习-梯度爆炸与梯度消失
weixin_74126320的博客
08-01 880
深度学习训练中常遇到梯度消失和梯度爆炸问题。梯度消失导致深层网络参数难以更新，表现为训练停滞；梯度爆炸则使参数剧烈波动，导致训练失控。解决方案包括使用ReLU激活函数、梯度裁剪等技术。此外，模型推理时需调用model.eval()切换Dropout和BatchNorm层至推理模式，常与torch.no_grad()配合使用以保证稳定性和效率。这些方法对CV、NLP等任务至关重要。
CIFAR10实战
zj_203240104的博客
08-01 430
本文展示了使用PyTorch对CIFAR10数据集进行分类任务的完整流程。首先通过torchvision下载并预处理数据，构建数据加载器。初始模型采用简单的卷积神经网络结构，包含三个卷积层和两个全连接层，训练10个周期后准确率仅为73%。为提高性能，作者对模型进行了优化，在卷积层后添加批归一化(BatchNorm)和ReLU激活函数，以加速训练并提高模型泛化能力。实验使用TensorBoard可视化训练过程和结果，包括损失和准确率曲线。代码展示了完整的深度学习流程，从数据加载、模型构建、训练到优化改进。
基于深度学习的医学图像分析：使用变分自编码器（VAE）实现医学图像生成
最新发布
qq_74383080的博客
08-03 544
本文介绍了基于变分自编码器（VAE）的医学图像生成技术。首先概述了医学图像分析的定义及其在疾病模拟、图像增强和数据增强中的应用场景。然后详细讲解了VAE的理论基础，包括其编码器-解码器架构和生成多样性优势。文章提供了完整的代码实现流程：从环境准备、数据加载预处理，到VAE模型定义、训练和评估方法，最后展示了生成图像的可视化效果。该技术能够生成多样化的医学图像，支持医学研究和临床应用。读者可通过调整模型结构和参数进一步优化生成效果。
深度学习·mmsegmentation基础教程
2301_80132162的博客
08-02 1016
继承类别和RGB标签的映射关系指定图像扩展名、标注扩展名seg_map_suffix='.png', # 标注mask图像的格式reduce_zero_label=False, # 类别ID为0的类别是否需要除去**kwargs)# 类别和对应的 RGB配色# 指定图像扩展名、标注扩展名seg_map_suffix='.png', # 标注mask图像的格式reduce_zero_label=False, # 类别ID为0的类别是否需要除去**kwargs)
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值