从零开始搭建深度学习环境

最新推荐文章于 2024-09-05 11:46:08 发布
原创 最新推荐文章于 2024-09-05 11:46:08 发布 · 979 阅读 · 3 ·
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。

本文详细介绍了如何在Ubuntu18.04上从零开始搭建深度学习环境，包括安装基础环境、显卡驱动、CUDA10.0、cuDNN7.4.2以及TensorFlow-GPU。步骤清晰，涵盖了从安装Anaconda3到配置国内镜像、创建TensorFlow环境并安装相关库的过程。

开始深度学习调参之路不能没有一个趁手的环境

安装基础环境

我使用的机器环境是：Ubuntu18.04

  1. 安装显卡驱动
    1.
    2. 按照cuda所需的版本安装
    3. sudo ubuntu-drivers autoinstall
  2. 安装pip
    1. sudo apt-get install python-pip
  3. 下载anaconda3
    1. 地址：https://www.anaconda.com/distribution/
    2. 安装路径：/home/anaconda3
    3. 进入下载路径：bash Anaconda3-5.2.0-Linux-x86_64.sh
    4. 打开.bashrc验证anaconda环境变量
  4. 查看NVIDIA图形卡和推荐的驱动程序的模型：ubuntu-drivers devices
    1.
  5. 验证显卡驱动版本： cat /proc/driver/nvidia/version
  6. 安装cuda
    1. 版本选择：
      1. 只有cudnn7.4.2支持Ubuntu18.04和16.04
      2. cuDnn 7.4.2需要cuda10.0, cuda10.0需要gcc版本是7.3.0，而Ubuntu18.04的GCC版本正是7.3，无需降级，因此选择cuda版本为10.0
    2. 下载cuda10.0：
最低0.47元/天 解锁文章
【深度学习3】ubuntu22.04从零开始搭建深度学习环境
weixin_43387635的博客
09-09 1万+
ubuntu22.04从零开始搭建深度学习开发环境
深度学习新手上路（一）：从零搭建你的第一个PyTorch项目（环境配置+代码实战）
最新发布
Leesl198的博客
08-26 1195
本文为深度学习新手提供了一套完整的PyTorch环境搭建指南。首先强调了硬件检查（GPU确认）和现有环境复用的重要性，然后详细讲解了Anaconda安装、虚拟环境创建、PyTorch（GPU/CPU版）配置的完整流程。接着介绍了Python环境验证和PyCharm IDE的配置方法。最后给出了一个完整的LeNet模型训练实战案例，包含数据加载、模型定义、训练评估等全流程代码，帮助读者真正上手运行深度学习项目。文中所有步骤均配有详细命令和验证方法，确保环境配置正确无误。
从零搭建深度学习项目
06-12
从零搭建深度学习项目，共6部分详细设计步骤，含模型参数调优，值得参考。
搭建深度学习的环境
奥古斯都
09-17 898
现在的研究方向是CV,那么必须要搭建深度学习的环境，因此我在折腾了一个中秋假期之后终于把服务器的环境搭建成功了！其中废了不少周折，因此想借此博文来记录一下。 环境配置：Ubuntu14+TITAN X+CUDA10.1+CUDNN+Pytorch 一、安装显卡驱动 因为我的服务器目前只装了一块TITAN X 显卡，因此我必须要装支持我这个显卡的显卡驱动。 官网地址：https://www....
从零搭建深度学习环境
岁月如歌
04-24 397
按照此博客：　https://blog.youkuaiyun.com/qq_15192373/article/details/81091098
深度学习环境搭建
Roger17的博客
07-17 1432
深度学习环境搭建开始接触深度学习一年多时间了，总是有种技术发展飞快，没等你掌握现有技术更牛X的技术又出来了。身处AI浪潮中，到现在越发有种感觉：深度学习可能很多问题都能解决，但我们自己并没有那么多精力去研究那么多方面，自然语言处理，自动驾驶，人脸识别等等，选定一个方向深入研究才是正解。至少目前是这么理解的，不对希望朋友指正！如今深度学习的框架很多，Caffe，TensorFlow，Torch等都各有
人工智能与深度学习_大语言模型与PyTorch20框架_清华大学ChatGLM中文大模型实战与MNIST手写识别_从零开始搭建深度学习环境并实现生成式模型与图像降噪的完整教程与代.zip
07-14
本教程旨在深入浅出地介绍如何从零开始搭建深度学习环境，并通过实际案例讲解如何实现生成式模型和图像降噪技术。 首先，课程会介绍大语言模型的基本概念及其在人工智能领域中的应用。大语言模型是深度学习领域中的...
从零开始搭建pytorch深度学习环境
2401_83429166的博客
09-05 2241
本文介绍了如何在一个崭新的windows电脑上应用一个深度学习模型，并简述了环境搭建过程中各部分所起到的作用和关系。如果你也是想要在自己的电脑上动手炼丹，或者学习深度学习代码，本文能有效帮助你配置环境。
深度学习——1.搭建属于自己的深度学习环境
fu01hang02的博客
02-23 2660
简介 对于很多刚入门机器学习或深度学习的同学来说，搭建环境是相当的头疼，不仅是因为是选择windows 还是Ubuntu，即使Python的选择也很纠结，到底是Python2或者pyhon3，到底是用pycharm这种功能完整，编译调试方便的IDE,还是应用anocanda搭建jupyter notebook.由于选择太多，反而患了选择恐惧症，不知道哪一个适合自己。这里我推荐如果您想在windo...
从0开始搭建深度学习环境-Pytorch-GPU
weixin_44097477的博客
03-13 1万+
深度学习环境搭建 Anaconda-Python3.9——开源的Python 发行...Anaconda的安装 Conda——包含在Anaconda中 CUDA和CUDNN——GPU复杂计算架构和DNN...对CUDN和CUDNN的理解 CUDA的安装 CUDNN的安装 Pytorch深度学习框架(模型库/积木)虚拟环境的创建与激活 对Pytorch的理解Pytorch安装常用库的安装pip和condaconda安装方式pip安装方式 Pycharm——Python lDE
深度学习：新项目的环境搭建
qq_63250140的博客
08-09 2161
由于最近刚刚接触深度学习，接下来记录一下自己浮现项目的过程，并将其总结成方法，以便于以后的使用。下载代码在这里本文总结了个人对于一个项目的环境搭建的见解，环境搭建真的好麻烦，网上资料太分散了，要上网找好长时间，所以就想着自己写一篇，这样以后就不用花费大量时间去配置环境了。。。
深度学习环境搭建（一）
qq_32526087的博客
09-23 3374
本文记录了在Ubuntu系统下搭建深度学习环境的详细过程。主要内容包括：1）安装NVIDIA显卡驱动（384/415版本），提供图形界面和命令行两种安装方式；2）配置CUDA 8.0环境，包括版本选择、安装步骤和环境变量设置；3）解决常见问题如权限问题、PATH环境变量错误等。作者采用CUDA 8.0+CUDNN 6.0+TensorFlow-gpu 1.4+OpenCV 3.4的框架组合，并成功运行了Faster-RCNN和目标跟踪项目。文章提供了完整的安装流程和问题解决方案，适合深度学习初学者参考。
深度学习开发环境搭建
不负热爱
08-25 2765
使用anaconda+jupyter搭建深度学习开发环境，可以很方便地创建不同的python虚拟环境，也可以随时切换，提高开发的效率和便利性
(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
热门推荐
2302_76846184的博客
04-30 3万+
(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
告诉我从0开始搭建深度学习环境的具体步骤
04-30
<think>嗯，用户想从零开始搭建深度学习环境，包括安装框架和配置依赖。首先，我需要整理出详细的步骤，确保覆盖所有必要环节。用户可能对Anaconda和Pyycharm不太熟悉，所以得先解释这两个工具的作用。 根据引用内容，Anaconda用来管理环境，安装不同版本的Python和各种库，而PyCharm是IDE，方便编写代码。用户提到国内镜像源，可能下载速度是个问题，所以配置镜像源是必要的步骤。引用[1]和[2]都提到了Anaconda的环境创建和镜像配置，这部分需要详细说明。 接下来是安装深度学习框架，比如TensorFlow、Keras、PyTorch。用户可能不确定该装哪个版本，特别是CUDA和cuDNN的兼容性。引用[3]提到NVIDIA驱动的问题，需要提醒用户检查显卡驱动，安装正确的CUDA版本。比如PyTorch官网会根据CUDA版本提供安装命令，这点很重要。 然后，配置PyCharm的环境，确保能正确使用Anaconda创建的环境。用户可能遇到路径设置的问题，需要指导如何在PyCharm中选择解释器。 另外，用户可能忽略环境隔离的重要性，所以需要强调为每个项目创建独立环境的好处，避免版本冲突。引用[2]里提到创建Python3.9的环境，可能需要解释为什么推荐这个版本，或者根据框架需求选择。 测试部分，需要简单代码示例验证框架是否安装成功，比如输出TensorFlow或PyTorch的版本，以及检查GPU是否可用。这能帮助用户确认安装是否正确。 最后，常见问题解答，比如镜像源配置失败、CUDA不可用，这些是用户可能遇到的典型问题，需要给出解决方案，比如检查驱动版本，重新安装CUDA工具包等。 总结步骤应该是：安装Anaconda→配置镜像源→创建环境→安装框架→配置PyCharm→测试环境。每个步骤都要详细说明命令和注意事项，确保用户能一步步跟着操作，避免遗漏关键点。</think>### 从零搭建深度学习环境的详细步骤（以PyTorch/TensorFlow为例） #### 一、基础环境准备 1. **安装Anaconda** - 作用：管理Python环境和依赖包隔离 - 下载地址：https://www.anaconda.com/download - 验证安装： ```bash conda --version ``` 2. **配置国内镜像源**（加速下载） ```bash 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 ``` #### 二、创建独立环境 1. **新建Python3.9环境**（推荐版本） ```bash conda create -n dl_env python=3.9 # dl_env为环境名 conda activate dl_env ``` 2. **安装基础工具包** ```bash conda install numpy pandas matplotlib jupyter ``` #### 三、GPU环境配置（需NVIDIA显卡） 1. **检查驱动兼容性** - 执行`nvidia-smi`查看驱动版本 - 根据驱动版本选择CUDA版本（参考NVIDIA官网兼容表） 2. **安装PyTorch环境** ```bash # 访问https://pytorch.org获取最新安装命令 conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia ``` 3. **安装TensorFlow环境** ```bash pip install tensorflow[and-cuda] # 自动匹配CUDA版本 ``` #### 四、IDE配置（PyCharm） 1. **创建新项目时选择Existing interpreter** 2. 定位到Anaconda安装路径下的`envs/dl_env/python.exe` 3. 验证环境： ```python import torch print(torch.__version__, torch.cuda.is_available()) # 应输出True[^2] ``` #### 五、验证安装 ```python # PyTorch测试 import torch x = torch.rand(5,3) print(x) # TensorFlow测试 import tensorflow as tf print(tf.reduce_sum(tf.random.normal([1000, 1000]))) ``` ### 常见问题解决方案 1. **CUDA不可用** - 检查驱动版本与CUDA版本匹配 - 重装CUDA Toolkit：https://developer.nvidia.com/cuda-toolkit 2. **包下载失败** - 重置镜像源：`conda config --remove-key channels` - 尝试pip安装：`pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名` 3. **环境路径冲突** - 使用`conda clean --all`清理缓存 - 避免在系统路径安装包 [^1]: 环境隔离是保证项目依赖纯净的关键 [^2]: PyTorch官网提供自动匹配CUDA版本的安装命令 [^3]: 显卡驱动需通过NVIDIA控制面板验证
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