深度学习GPU环境搭建部署Anaconda+PyTorch+CUDA+cuDNN

作为一个接触深度学习多年的工作者，我经历过从入门到熟练配置的心酸历程，这个是入门深度学习的第一道门槛，很多人都是在这一步就频繁出问题，如果你也正在入门深度学习，那么此教程将是你入门深度学习的最好教程。

深度学习所需要的工具

1、Anaconda：Anaconda是一个虚拟环境管理工具，利用工具/命令Conda来进行package和environment的管理，并且已经包含了Python和相关的配套工具。

2、cuda和cudnn：CUDA(Compute Unified Device Architecture)，是一种新的操作GPU计算的硬件和软件架构，是建立在NVIDIA的GPUs上的一个通用并行计算平台和编程模型，利用cuda和cudnn组合可实现显卡加速训练。

3、pycharm：PyCharm是一种ide工具。

4、pytorch：深度学习的训练框架。

一、Anaconda下载与安装

Anaconda官网：Free Download | Anaconda，入官网后点击Windows版本【Download】按钮下载，如下图所示。

下载完后双击anaconda安装包随后点击【Nxet】按钮下一步，随后点击I agree，如图所示。

选项Just me是只允许自己使用，选项All Users是允许所有用户使用，这里我们选择允许所有用户，这里根据自己的需求选择，如图所示，随后点击【Nxet】按钮。

这里可以选择自己要存放Anaconda的安装地址，以下为默认C盘地址，如图所示。

勾选第二个选择，这里是默认为你安装python3.9的版本，如图所示，随后点击【Install】。

安装完成后，点击next，随后点击finish，就完成安装了。

点击【关于】，随后单击【高级系统设置】，如图所示。

点击【环境变量】按钮，如图所示。

点击系统变量中的【Path】，点击【编辑】按钮，如图所示。

添加【新建】按钮添加以下四个环境变量，点击【确定】按钮，如图所示。

这里在键盘上按下Win+R打开windows命令窗口，输入conda，返回以下信息，如图所示，代表anaconda安装成功了。

二、CUDA和CUDNN下载与安装

首先，按住win+r输入cmd打开windows命令窗口输入nvidia-smi查看CUDA最高支持版本号，如图4所示，可以看到CUDA最高支持12.0。

CUDA下载官网地址：https://developer.nvidia.com/cuda-toolkit-archive

这里可以根据自己的CUDA版本选择版本号，这里以安装11.3为例子，建议在可以安装11.3的版本情况下安装11.3的版本，点击前面的CUDA Toolkit 11.3.0，如图所示。

选择自己的系统版本号，如图4-4所示，点击【Downloads】按钮下载CUDA安装包。

下载完成后双击CUDA安装程序，如图4-5所示，默认路径选择【OK】按钮，等待片刻进入安装程序。

点击【同意并继续】，如图所示。

这里勾选【自定义】，点击【下一步按钮】，如图所示

勾选选项，如图所示，点击【NEXT】。

如图所示，完成后点击【关闭】按钮。

CUDNN官网下载地址：https://developer.nvidia.com/rdp/cudnn-download

有账号点击Login，如果没有账号点击Join now需要注册才可以下载CUDNN工具，如图所示。

注册完后，选择对应版本的cudnn下载。

如图所示，下载后解压生成以下几个文件夹。

将CUDNN的bin、include、lib三个文件夹中文件复制到之前下载好的CUDA文件分别三个同名文件夹下，如图所示，但是注意是逐一复制进去，不是替换，cuda默认安装路径是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3。

随后打开【控制面板】-选择【关于】-【高级系统配置】-【系统环境变量】。

添加以下环境配置：

添加以下环境配置：
CUDA_SDK_PATH=C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.3
CUDA_LIB_PATH=%CUDA_PATH%\lib\x64
CUDA_BIN_PATH=%CUDA_PATH%\bin
CUDA_SDK_BIN_PATH=%CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH=%CUDA_SDK_PATH%\common\lib\x64
之后在，系统变量Path的末尾添加：
%CUDA_LIB_PATH%
%CUDA_SDK_LIB_PATH%
%CUDA_BIN_PATH%
%CUDA_SDK_BIN_PATH%
添加以下五个：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\extras\CUPTI\lib64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.3\bin\win64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.3\common\lib\x64

随后按住win+r输入cmd打开命令终端，再输入nvcc -V这里返回就是自己的CUDA版本号，如图所示。

三、Pycharm下载与安装

Pycharm官网地址：https://www.jetbrains.com/pycharm/download/，这里我们社区版下载即可，如图所示。

下载完成后，双击安装程序，点击【Next】按钮，如图所示。

这里路径可以修改成自己的其他盘，这里默认C盘，如图所示。

这里勾选全部选项，点击【Next】按钮，如图所示。

随后点击install安装，等待进度条安装成功就好，如图所示。

选择第二个选项，点击【Finish】按钮，如图所示。

四、pytorch环境部署

搜索Anaconda Prompt单击打开，如图所示。

在终端输入 conda create -n 环境名字（英文） python=x.x（python版本），如图所示，这里我们创建了一个kpytorch的虚拟环境名，python版本号为3.9，回车后会自动下载一些包。

等待创建完成后，输入activate +虚拟环境名，如图所示。这时候可以看到已经切换到kpytorch。

在准备下载pytorch前我们进行环境换源，因为PyTorch服务器下载在外国，所以我们可以通过国内的清华源下载，首先我们在终端依次添加以下四个清华源，如图所示。

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

下面我们下载pytorch，pytorch官网地址：https://pytorch.org/get-started/previous-versions/，这里我们以CUDA11.3，pytorch1.12.0为例子，根据自己安装CUDA版本号下载对应版本，这里复制下载命令，但是要主要不要将-c python复制下来，因为我们已经将源换成清华源，所以不用加上后面语句，加上了就是用原本的源进行下载

conda install pytorch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 cudatoolkit=11.3

我们在终端粘贴命令，回车后开始下载，这里注意切换到已经安装好的虚拟环境名，这里为kpytorch，切换命令activate 【环境名】，等待安装成功即可，如图所示。

出现done，代表下载安装成功，如图所示。

我们在终端输入python，切换到python环境，输入一下命令，导入torch库，当torch.cuda.is_available()返回True，表示CUDA安装成功，torch.backends.cudnn.is_available(),表示CUDNN安装成功，torch.cuda_version()返回版本号，表示CUDA的版本号，torch.backends.cudnn.version()，表示CUDNN的版本号。

import torch
print(torch.cuda.is_available())
print(torch.backends.cudnn.is_available())
print(torch.cuda_version)
print(torch.backends.cudnn.version())

如图所示，调用了torch库查看当前cuda和cudnn的版本号，这个方法也可以用来验证cuda和cudnn是否安装成功。

直至，我们的配置工作就完成了，后续我会持续更新关于深度学习算法的代码学习，欢迎大家一起交流学习。