conda创建虚拟环境 和 用conda创建GPU的cuda、cudnn使用环境

最新推荐文章于 2025-04-25 14:55:30 发布
最新推荐文章于 2025-04-25 14:55:30 发布
阅读量2.6w 收藏 80
点赞数 22
CC 4.0 BY-SA版权
分类专栏： 8—Use(use)软件、包、工具等的安装及使用 文章标签： cuda cudnn conda
版权归个人所有，转载请告知，否则追求法律责任
本文链接：https://blog.youkuaiyun.com/weixin_41010198/article/details/84566800
本文详细介绍了如何使用conda在Linux和Windows上创建虚拟环境，包括创建、激活、安装额外包、关闭和删除虚拟环境的步骤。同时，还提供了创建包含CUDA和cuDNN的GPU使用环境的方法，适合深度学习和GPU编程的初学者。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

conda创建虚拟环境 和 用conda创建GPU的cuda、cudnn使用环境

1 conda在linux、windows上创建虚拟环境

1.1 首先在所在系统中安装Anaconda。

可以打开命令行输入conda -V检验是否安装以及当前conda的版本。

1.2 conda常用的命令。

1）conda list 查看安装了哪些包。
2）conda env list 或 conda info -e 查看当前存在哪些虚拟环境
3）conda update conda 检查更新当前conda

1.3 创建python虚拟环境。

使用 conda create -n your_env_name python=X.X（2.7、3.6等)
命令创建python版本为X.X、名字为your_env_name的虚拟环境。
your_env_name文件可以在Anaconda安装目录envs文件下找到。

1.4 使用激活(或切换不同python版本)的虚拟环境。

打开命令行输入python --version可以检查当前python的版本。

激活虚拟环境：
使用如下命令即可 激活你的虚拟环境(即将python的版本改变)。

Linux: source activate your_env_name(虚拟环境名称)

Windows: activate your_env_name(虚拟环境名称)

使用python --version 或 python -V可以检查当前python版本是否为想要的。
也可以用pip -V 查看当前python的版本和python安装包的路径，如下：
在这里插入图片描述

1.5 对虚拟环境中安装额外的包。

使用命令conda install -n your_env_name [package]即可安装package到your_env_name中

1.6 关闭虚拟环境(即从当前环境退出返回使用PATH环境中的默认python版本)。

使用如下命令即可。

Linux: source deactivate

Windows: deactivate

1.7 删除虚拟环境。

使用命令conda remove -n your_env_name(虚拟环境名称) --all， 即可删除。

更过和移除命令相关参数可以通过：conda remove -h 查看
在这里插入图片描述

1.8 删除环境中的某个包。

使用命令conda remove --name your_env_name package_name 即可。

2 用conda创建cuda和cudnn

  1. cd到安装包所在目录，安装：bash Anaconda3-5.1.0-Linux-x86_64.sh

  2. 创建虚拟环境：conda create -n your_env_name python=3.6

  3. 激活虚拟环境：source activate your_env_name

  4. 添加conda国内镜像：

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/
conda config --set show_channel_urls yes

  1. 安装cuda和cudnn

安装cuda:conda install cudatoolkit=8.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/

安装cudnn:conda install cudnn=7.0.5 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/linux-64/

cuda&cudnn

安装的cuda和cudnn在虚拟环境中的位置

注：

安装conda完成后，输入conda list,若出现未找到命令，则需修改环境变量：export PATH=~/anaconda3/bin:$PATH（此法每次开机后都要修改，也可修改配置文件永久生效）

每个不同镜像网站里面包含各种不同的下载包，可根据自己的需求打开查找对应的安装包，
如cudatoolkit 8.0.3 在https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/内，
则安装命令如：conda install cudatoolkit=8.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/ 即可。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠

Windows 11在conda虚拟环境中安装cuda、cudann
lqq
10-26 1375
例如，不同项目可能需要不同版本的 CUDA 或 cuDNN 来支持特定的深度学习框架（如 TensorFlow、PyTorch）的版本要求。将这些库安装在虚拟环境中，确保每个项目使用其特定的版本，避免系统环境中的全局冲突。在深度学习开发中，不同的深度学习框架（如 TensorFlow 和 PyTorch）可能对 CUDA、cuDNN 的版本有不同的要求。在虚拟环境中安装专用版本，能够确保不同项目在不同的依赖版本下正确运行，避免在系统范围内安装多个版本而导致冲突。在开发和测试中，可能需要快速重置或重建环境。
【CUDA】CUDA编译
图像研究猿的专栏
02-20 3704
引言 CUDA（Compute Unified Device Architecture）：是NVIDIA推出的用于自家GPU的并行计算框架。只有安装这个框架才能够进行复杂的并行计算。主流的深度学习框架也都是基于CUDA进行GPU并行加速的，几乎无一例外。还有一个叫做cudnn，是针对深度卷积神经网络的加速库。开发人员可以使用C语言来为CUDA架构编写程序，C语言是应用最广泛的一种高级编程语言。所...
conda安装cuda+cudnn+pytorch【一条龙服务，以cuda12.1版本为例】
最新发布
m0_65788436的博客
04-25 1016
安装步骤在Window和ubuntu系统中应该是一致的，
conda搭建虚拟环境+配置CUDA+安装pytorch
weixin_44019380的博客
12-02 1万+
conda虚拟环境的搭建，cuda的配置，conda安装库，以及一些常见的错误。
深度学习环境配置——conda虚拟环境安装CUDA和CUDNN
tyyhmtyyhm的博客
03-20 1万+
人生来就不是为了被打败的，人能够被毁灭，但是不能够被打败。—— 海明威《老人与海》
【DL笔记】Conda虚拟环境下安装cuda cudnn+PaddlePaddle安装+PaddleDetection
Hansdas的博客
03-04 1579
主要想用下PaddleDetection，然后碰到了一堆问题，大部分最后发现都是环境没装好造成的，所以再这里记录一下：版本一定要装对！版本一定要装对！版本一定要装对！版本一定要装对！版本一定要装对！
conda虚拟环境创建、安装cuda cudnn
lzkzls的博客
12-16 1348
1、conda create -n name python=3.8.5 2、conda activate name 3、查看当前虚拟环境支持的cuda和cudnn版本，选择两者相匹配的版本进行安装： conda search cudatoolkit conda search cudnn conda install cudatoolkit=XXXX cudnn=XXXX ...
conda安装cuda10.1+cudnn7.6.5，conda安装深度学习gpu环境
09-28
在本教程中，我们将聚焦于如何通过conda环境管理器来安装CUDA 10.1和CUDNN 7.6.5，并创建一个适合PyTorch的GPU环境。 首先，确保你有一台装有NVIDIA显卡且驱动程序已更新到兼容CUDA 10.1的计算机。你可以从NVIDIA...
conda创建虚拟环境并安装GPU版torch全过程(cuda11.8+py3.10+torch2.4.1+torchvision0.19.0)
m0_66940894的博客
10-10 6164
例：pip install torch-1.9.0+cu111-cp39-cp30-win_amd.64.whl。文件，若安装的环境为虚拟环境的话，记得要激活自己的虚拟环境，然后在虚拟环境下面进行。下载完成之后，就可以使用pip instasll 的方式来进行安装。查找cu118，找到cp310，直接下载torch。cuda版本为11.8，python版本3.10。pip install 文件名。
机器学习之GPU-paddle框架搭建之在conda虚拟环境安装CUDA和CUDNN以及在pycharm中验证paddle是否可运行
yxy_ben的博客
05-23 2211
通常，在本地安装与显卡对应的cuda和cudnn，这样才可以用显卡进行训练。但不同的项目所需框架所支持的CUDA版本是不一样的，而框架和CUDA版本之间又是互相依赖的，所以如果可以灵活地在不同cuda版本间切换将是非常方便的。anaconda就可以实现这个功能。所以可在conda创建的不同虚拟环境中安装不同的cuda和cudnn版本，以此来实现不同cuda版本间的切换。
释放GPU潜能：在Conda环境中配置CUDA与cuDNN
2401_85439108的博客
07-09 1390
Conda作为Python的包管理器和环境管理器，提供了一种便捷的方式来配置和管理包含CUDA和cuDNN的环境。本文将详细指导如何在Conda环境中安装和配置CUDA与cuDNN，以实现GPU加速。通过在Conda环境中配置CUDA和cuDNN，您可以充分利用GPU的强大计算能力，加速深度学习和科学计算任务。本文提供的步骤和代码示例将帮助您快速搭建起支持GPU加速的开发环境。本文详细介绍了在Conda环境中使用CUDA和cuDNN进行GPU加速的方法，希望能为您的项目开发提供帮助。
使用conda配置CUDA环境
weixin_44799144的博客
03-01 1万+
在使用各种框架，例如Pytorch、MxNet、TensorFlow等的GPU版本时，直接去官网下载CUDA和cudnn实在是太麻烦，后期还得安装配置。其实，我们可以直接使用conda轻松一键下载配置CUDA环境！ 首先我们需要下载Anaconda或者Miniconda。个人更加推荐Miniconda，因为非常轻便，没有太多冗余的库包，只有必要的依赖项。 下载好Miniconda或者Anaconda之后，我们首先需要检查一下自己的电脑支持哪个版本的CUDA。单击鼠标右键，选择NVIDIA控制面板。然后先后点
conda创建虚拟环境，搭建theano+CUDA+CUDNN
Yunshang12345的博客
04-09 742
跟普通安装一样搭建cuda+cudnn且配置 .theanorc(参见上一篇博客) 使用 conda create -n your_env_name python=X.X（2.7、3.6等)命令创建python版本为X.X、名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。 conda create -n theano ...
conda虚拟环境中安装cuda和cudnn
知识搬运者
08-24 7179
找到自己想要的cuda版本后，先把cuda下载到本地。首先使用conda activate name命令把conda环境激活到目标环境。首先安装与cuda相匹配的pytorch和torchvision包，可以去。执行如下命令进行安装，因为是通过本地安装的，所以需要写明本地包的路径。执行后的结果如图所示，图中标出了cudnn所对应的cuda版本号位置。附：直接使用conda install安装。复制你想要版本的cudnn的下载地址，使用。
Anaconda虚拟环境中安装cudatoolkit和cudnn包并配置tensorflow-gpu
liao_kyle的博客
06-07 1万+
Anaconda虚拟环境中安装cudatoolkit和cudnn包并配置tensorflow-gpu
cuda环境配置（anaconda虚拟环境版，含pytorch-gpu安装）
weixin_46446479的博客
05-18 2万+
深度学习cuda环境配置
使用Anaconda 创建指定cuda 版本的虚拟环境
热门推荐
matrix273的博客
12-14 2万+
目的:解决多cuda版本共存问题. 需要了解Tensorflow 与cuda,cudnn版本的对应关系 参考网址: https://tensorflow.google.cn/install/source 首先修改anaconda 为清华源 参考网址: https://mirror.tuna.tsinghua.edu.cn/help/anaconda/ 创建一个虚拟环境 conda ...
配置Cuda及Cudnn，在Anaconda创建虚拟环境，安装GPU版Pytorch，并在Jupyter noterbook及Pycharm中调用【极其详细】
Luan__Yu的博客
03-07 9751
配置Cuda及Cudnn，并在Anaconda创建虚拟环境，安装GPU版Pytorch，并在Jupyter noterbook及Pycharm中调用【极其详细】
conda创建虚拟环境和用conda创建GPU的cuda、cudnn使用环境
2401_88244350的博客
10-31 1100
则安装命令如：conda install cudatoolkit=8.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/ 即可。安装cuda:conda install cudatoolkit=8.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/命令创建python版本为X.X、名字为your_env_name的虚拟环境。
conda创建python虚拟环境使用gpu
03-14
### 如何通过 Conda 创建支持 GPU 的 Python 虚拟环境 为了创建一个支持 GPU 的 Python 虚拟环境，可以按照以下方法操作： #### 1. 创建虚拟环境 使用 `conda` 命令来创建一个新的虚拟环境，并指定所需的 Python 版本。例如，要创建一个名为 `gpu_env` 并使用 Python 3.9 的虚拟环境，可运行如下命令： ```bash conda create -n gpu_env python=3.9 ``` 此命令会初始化一个新的虚拟环境，并安装所选的 Python 版本[^1]。 #### 2. 激活虚拟环境 一旦虚拟环境被成功创建，可以通过以下命令将其激活： ```bash conda activate gpu_env ``` 激活之后，命令提示符前会出现 `(gpu_env)` 字样，表示当前正在使用的环境是 `gpu_env`[^3]。 #### 3. 安装 CUDA 和 cuDNN 支持 为了让该虚拟环境能够支持 GPU 加速计算，需要安装 NVIDIA 提供的 CUDA 工具包以及 cuDNN 库。这些工具通常由 Anaconda 或者特定的通道提供。以下是具体步骤： - **安装 CUDA Toolkit** 运行以下命令以安装适合您系统的 CUDA 版本（假设目标版本为 11.8）： ```bash conda install cudatoolkit=11.8 ``` - **验证 CUDA 安装** 可以通过检查 `nvcc --version` 来确认 CUDA 是否正确安装并可用。如果未找到 `nvcc`，可能需要手动设置路径或者重新安装 CUDA 驱动程序。 #### 4. 安装深度学习框架及其依赖项 许多流行的深度学习框架都内置了对 GPU 的支持功能。下面是一些常见框架的具体安装方式： - **TensorFlow (GPU 版)** TensorFlow 自带针对 GPU 的优化选项，可以直接通过 pip 或 conda 安装： ```bash pip install tensorflow-gpu ``` 如果希望保持一致性，则推荐使用 conda 渠道： ```bash conda install tensorflow-gpu ``` - **PyTorch (CUDA 支持版)** PyTorch 对于不同的 CUDA 版本有不同的预编译二进制文件。可以根据实际需求选择合适的版本进行安装： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia ``` 上述命令中的 `-c pytorch` 表明从官方 PyTorch 仓库获取资源；而 `-c nvidia` 则确保获得最新的 NVIDIA 组件更新[^5]。 #### 5. 测试 GPU 功能 完成所有必要的软件包安装后，应该测试一下新配置好的环境是否能正常调用 GPU 设备。对于大多数框架而言，都有简单的脚本来帮助开发者快速验证这一点。比如，在 PyTorch 下面这样写一段小程序即可实现目的： ```python import torch if torch.cuda.is_available(): print(f"CUDA is available! Using {torch.cuda.device_count()} GPUs.") else: print("No CUDA detected!") ``` 以上代码片段将会打印出系统上可用的 GPU 数量以及其他相关信息。如果有任何错误发生，请仔细查阅日志消息以便定位问题所在[^4]。 --- ###
评论 8
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