深度学习环境配置显卡驱动Anaconda库管理Pycharm IDE开发环境pytorch安装提示这里可以添加系列文章的所有文章的目录目录需要自己手动添加例如第一章 Python 机器学习入门之pandas的使用提示写完文章后目录可以自动生成如何生成可参考右边的帮助文档文章目录深度学习环境配置显卡驱动Anaconda库管理Pycharm IDE开发环境pytorch安装前言深度学习环境的安装配置安装顺序不要颠倒。按照显卡驱动-CUDA安装-Anaconda安装-pytorch安装的顺序。一、安装NVIDIA显卡驱动、CUDA和cuDNN1.1 安装/更新显卡驱动1.2 安装CUDA Toolkit1.3 安装cuDNN1.4 配置系统环境变量1.5 验证安装二、安装Anaconda并创建虚拟环境2.1 安装Anaconda2.2 创建虚拟环境三、安装PyTorchGPU版本四、安装并配置PyCharm4.1 安装PyCharm4.2 创建新项目并配置Conda解释器五、验证环境参考前言深度学习环境的安装配置安装顺序不要颠倒。按照显卡驱动-CUDA安装-Anaconda安装-pytorch安装的顺序。一、安装NVIDIA显卡驱动、CUDA和cuDNN1.1 安装/更新显卡驱动安装新版NVIDIA显卡驱动对于运行数据集来说是非常重要的原因主要有以下几点首先显卡驱动是显卡与计算机操作系统之间的接口它使得显卡能够正常工作并发挥其应有的性能。当你运行一个数据集时尤其是涉及图形处理或深度学习等计算密集型任务时显卡的性能至关重要。因此安装最新版的显卡驱动可以确保显卡与操作系统之间的兼容性从而提供最佳的性能和稳定性。 其次新版显卡驱动通常会修复旧版本中的一些错误和漏洞提升显卡的性能和稳定性。这意味着在运行数据集时新版驱动能够更有效地利用显卡的资源减少出错的可能性并提升计算速度。 此外随着技术的发展和新的算法、技术的出现新版显卡驱动还可能支持新的特性和功能。这些新特性可能有助于更好地处理数据集提高计算效率或者为开发者提供更多的灵活性和选择。 综上所述安装新版NVIDIA显卡驱动可以确保显卡与操作系统的兼容性提升显卡的性能和稳定性并可能支持新的特性和功能从而有助于更好地运行和处理数据集。首先要查看你的显卡型号(在设备管理器中同样可以查看)在官网上找自己的显卡型号系列默认安装位置就好不建议安装到别的盘里使用快捷键windowsr输入cmd,在命令行中输入nvidia-smi出现以下内容说明安装成功1.2 安装CUDA Toolkit访问 CUDA Toolkit Archive。下载CUDA Toolkit版本应**上图中CUDA版本**。下载完后双击运行最好默认安装位置1.3 安装cuDNN访问 cuDNN下载页面需要注册NVIDIA账号。选择与你的CUDA版本匹配的cuDNN版本例如对于CUDA 11.x选择最新支持CUDA 11.x的cuDNN。下载后是一个压缩包。解压后将其中的 bin, include, lib 文件夹直接复制到你的CUDA安装目录默认为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8中合并文件夹。1.4 配置系统环境变量在桌面“此电脑”鼠标右键选择“属性”打开后鼠标滚轮直接向下划到底点击“高级系统设置”选择“环境变量” 就可以在系统变量那里看到我们安装好的CUDA了在系统环境变量下面鼠标下滑找到“Path”双击打开记住自己的CUDA存放位置C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1点击“新建”添加环境变量依次新建五次添加五次C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\CUPTI\lib64 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1\bin\win64 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1\common\lib\x641.5 验证安装打开命令提示符WinR输入cmd。输入 nvcc -V应显示CUDA的版本信息。输入 nvidia-smi应显示显卡状态和驱动/CUDA版本信息。这里显示的CUDA版本是驱动支持的最高版本只要它不低于你安装的CUDA Toolkit版本即可。二、安装Anaconda并创建虚拟环境2.1 安装Anaconda访问 Anaconda官网下载Python 3.9版本的Windows安装包。双击安装安装路径建议不要有中文和空格如 D:\Anaconda3。安装选项中强烈建议勾选 “Add Anaconda3 to my PATH environment variable”虽然会提示不推荐但这会让后续配置更简单和 “Register Anaconda3 as my default Python 3.9”。2.2 创建虚拟环境打开 Anaconda Prompt在开始菜单中搜索。执行以下命令创建一个名为 pytorch_env可自定义的虚拟环境并指定Python版本为3.9conda create -n pytorch_env python3.9输入 y 确认安装。激活进入该环境conda activate pytorch_env命令行前缀会从 (base) 变为 (pytorch_env)表示你已在该环境中操作。三、安装PyTorchGPU版本确保你在上一步创建的 pytorch_env 环境中命令行前缀为 (pytorch_env)。进入 PyTorch 官方安装网址(网页端搜索PyTorch)选择以下安装选项第二行根据自己的电脑版本选择第三行选择通过 pip 或 conda 安装推荐pip第五行根据自己的 CUDA 版本来选择对应的 PyTorch 版本非 NVIDIA 则选择 CPU 版本选择你的配置例如Stable (2.0.1) - Windows - Pip - Python - CUDA 11.8。官网会生成一行类似于下面的pip安装命令pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118在 Anaconda Prompt (pytorch_env环境下) 中复制并运行这行命令。或者点击 “previous versions of PyTorch” 选择之前的 PyTorch 版本。等待安装完成。这个过程可能需要较长时间请保持网络通畅。四、安装并配置PyCharm4.1 安装PyCharm访问 JetBrains官网下载 Community社区版它免费且功能足够学习使用。双击安装安装路径建议不要有中文和空格如 D:\PyCharm。安装选项中勾选所有关联.py以及“添加到PATH”。4.2 创建新项目并配置Conda解释器打开PyCharm选择 New Project。选择项目存放位置Location。最关键的一步: 展开 Python Interpreter 选项。选择 Previously configured interpreter - Add Interpreter - Add Local Interpreter…。在弹出的窗口中选择左侧 Conda Environment。选择 Use existing environment然后点击右侧的 … 浏览按钮。导航到你的Anaconda安装目录下的 envs 文件夹如 D:\Anaconda3\envs选择你之前创建的 pytorch_env 环境中的 python.exe 文件路径类似于 D:\Anaconda3\envs\pytorch_env\python.exe。点击 OK - OK。点击 Create 创建项目。现在你的PyCharm项目就和你之前创建并安装了PyTorch的Conda虚拟环境绑定在一起了。五、验证环境在PyCharm中新建一个Python文件例如 test_gpu.py。输入以下代码python import torch # 检查PyTorch是否安装成功 print(fPyTorch version: {torch.__version__}) # 检查CUDAGPU支持是否可用 print(fCUDA is available: {torch.cuda.is_available()}) # 如果可用打印当前GPU设备名称 if torch.cuda.is_available(): print(fCurrent GPU device: {torch.cuda.get_device_name(0)}) else: print(No GPU found. Using CPU.) # 创建一个张量并将其移动到GPU上如果可用 x torch.tensor([1.0, 2.0, 3.0]) if torch.cuda.is_available(): x x.cuda() print(x)右键运行该脚本。预期结果:输出PyTorch版本号如 2.0.1。输出 CUDA is available: True。输出你的显卡型号如 NVIDIA GeForce RTX 3060。输出张量并显示设备为 device‘cuda:0’。如果所有输出都符合预期恭喜你你的深度学习实验环境已全部配置成功。参考https://blog.csdn.net/HqyHans/article/details/135718533https://blog.csdn.net/sdjklghiof/article/details/137777480https://blog.csdn.net/m0_63244368/article/details/135070205
深度学习系列实验——1-深度学习环境配置：显卡驱动+Anaconda库管理+Pycharm IDE开发环境+pytorch安装
深度学习环境配置显卡驱动Anaconda库管理Pycharm IDE开发环境pytorch安装提示这里可以添加系列文章的所有文章的目录目录需要自己手动添加例如第一章 Python 机器学习入门之pandas的使用提示写完文章后目录可以自动生成如何生成可参考右边的帮助文档文章目录深度学习环境配置显卡驱动Anaconda库管理Pycharm IDE开发环境pytorch安装前言深度学习环境的安装配置安装顺序不要颠倒。按照显卡驱动-CUDA安装-Anaconda安装-pytorch安装的顺序。一、安装NVIDIA显卡驱动、CUDA和cuDNN1.1 安装/更新显卡驱动1.2 安装CUDA Toolkit1.3 安装cuDNN1.4 配置系统环境变量1.5 验证安装二、安装Anaconda并创建虚拟环境2.1 安装Anaconda2.2 创建虚拟环境三、安装PyTorchGPU版本四、安装并配置PyCharm4.1 安装PyCharm4.2 创建新项目并配置Conda解释器五、验证环境参考前言深度学习环境的安装配置安装顺序不要颠倒。按照显卡驱动-CUDA安装-Anaconda安装-pytorch安装的顺序。一、安装NVIDIA显卡驱动、CUDA和cuDNN1.1 安装/更新显卡驱动安装新版NVIDIA显卡驱动对于运行数据集来说是非常重要的原因主要有以下几点首先显卡驱动是显卡与计算机操作系统之间的接口它使得显卡能够正常工作并发挥其应有的性能。当你运行一个数据集时尤其是涉及图形处理或深度学习等计算密集型任务时显卡的性能至关重要。因此安装最新版的显卡驱动可以确保显卡与操作系统之间的兼容性从而提供最佳的性能和稳定性。 其次新版显卡驱动通常会修复旧版本中的一些错误和漏洞提升显卡的性能和稳定性。这意味着在运行数据集时新版驱动能够更有效地利用显卡的资源减少出错的可能性并提升计算速度。 此外随着技术的发展和新的算法、技术的出现新版显卡驱动还可能支持新的特性和功能。这些新特性可能有助于更好地处理数据集提高计算效率或者为开发者提供更多的灵活性和选择。 综上所述安装新版NVIDIA显卡驱动可以确保显卡与操作系统的兼容性提升显卡的性能和稳定性并可能支持新的特性和功能从而有助于更好地运行和处理数据集。首先要查看你的显卡型号(在设备管理器中同样可以查看)在官网上找自己的显卡型号系列默认安装位置就好不建议安装到别的盘里使用快捷键windowsr输入cmd,在命令行中输入nvidia-smi出现以下内容说明安装成功1.2 安装CUDA Toolkit访问 CUDA Toolkit Archive。下载CUDA Toolkit版本应**上图中CUDA版本**。下载完后双击运行最好默认安装位置1.3 安装cuDNN访问 cuDNN下载页面需要注册NVIDIA账号。选择与你的CUDA版本匹配的cuDNN版本例如对于CUDA 11.x选择最新支持CUDA 11.x的cuDNN。下载后是一个压缩包。解压后将其中的 bin, include, lib 文件夹直接复制到你的CUDA安装目录默认为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8中合并文件夹。1.4 配置系统环境变量在桌面“此电脑”鼠标右键选择“属性”打开后鼠标滚轮直接向下划到底点击“高级系统设置”选择“环境变量” 就可以在系统变量那里看到我们安装好的CUDA了在系统环境变量下面鼠标下滑找到“Path”双击打开记住自己的CUDA存放位置C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1点击“新建”添加环境变量依次新建五次添加五次C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\CUPTI\lib64 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1\bin\win64 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1\common\lib\x641.5 验证安装打开命令提示符WinR输入cmd。输入 nvcc -V应显示CUDA的版本信息。输入 nvidia-smi应显示显卡状态和驱动/CUDA版本信息。这里显示的CUDA版本是驱动支持的最高版本只要它不低于你安装的CUDA Toolkit版本即可。二、安装Anaconda并创建虚拟环境2.1 安装Anaconda访问 Anaconda官网下载Python 3.9版本的Windows安装包。双击安装安装路径建议不要有中文和空格如 D:\Anaconda3。安装选项中强烈建议勾选 “Add Anaconda3 to my PATH environment variable”虽然会提示不推荐但这会让后续配置更简单和 “Register Anaconda3 as my default Python 3.9”。2.2 创建虚拟环境打开 Anaconda Prompt在开始菜单中搜索。执行以下命令创建一个名为 pytorch_env可自定义的虚拟环境并指定Python版本为3.9conda create -n pytorch_env python3.9输入 y 确认安装。激活进入该环境conda activate pytorch_env命令行前缀会从 (base) 变为 (pytorch_env)表示你已在该环境中操作。三、安装PyTorchGPU版本确保你在上一步创建的 pytorch_env 环境中命令行前缀为 (pytorch_env)。进入 PyTorch 官方安装网址(网页端搜索PyTorch)选择以下安装选项第二行根据自己的电脑版本选择第三行选择通过 pip 或 conda 安装推荐pip第五行根据自己的 CUDA 版本来选择对应的 PyTorch 版本非 NVIDIA 则选择 CPU 版本选择你的配置例如Stable (2.0.1) - Windows - Pip - Python - CUDA 11.8。官网会生成一行类似于下面的pip安装命令pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118在 Anaconda Prompt (pytorch_env环境下) 中复制并运行这行命令。或者点击 “previous versions of PyTorch” 选择之前的 PyTorch 版本。等待安装完成。这个过程可能需要较长时间请保持网络通畅。四、安装并配置PyCharm4.1 安装PyCharm访问 JetBrains官网下载 Community社区版它免费且功能足够学习使用。双击安装安装路径建议不要有中文和空格如 D:\PyCharm。安装选项中勾选所有关联.py以及“添加到PATH”。4.2 创建新项目并配置Conda解释器打开PyCharm选择 New Project。选择项目存放位置Location。最关键的一步: 展开 Python Interpreter 选项。选择 Previously configured interpreter - Add Interpreter - Add Local Interpreter…。在弹出的窗口中选择左侧 Conda Environment。选择 Use existing environment然后点击右侧的 … 浏览按钮。导航到你的Anaconda安装目录下的 envs 文件夹如 D:\Anaconda3\envs选择你之前创建的 pytorch_env 环境中的 python.exe 文件路径类似于 D:\Anaconda3\envs\pytorch_env\python.exe。点击 OK - OK。点击 Create 创建项目。现在你的PyCharm项目就和你之前创建并安装了PyTorch的Conda虚拟环境绑定在一起了。五、验证环境在PyCharm中新建一个Python文件例如 test_gpu.py。输入以下代码python import torch # 检查PyTorch是否安装成功 print(fPyTorch version: {torch.__version__}) # 检查CUDAGPU支持是否可用 print(fCUDA is available: {torch.cuda.is_available()}) # 如果可用打印当前GPU设备名称 if torch.cuda.is_available(): print(fCurrent GPU device: {torch.cuda.get_device_name(0)}) else: print(No GPU found. Using CPU.) # 创建一个张量并将其移动到GPU上如果可用 x torch.tensor([1.0, 2.0, 3.0]) if torch.cuda.is_available(): x x.cuda() print(x)右键运行该脚本。预期结果:输出PyTorch版本号如 2.0.1。输出 CUDA is available: True。输出你的显卡型号如 NVIDIA GeForce RTX 3060。输出张量并显示设备为 device‘cuda:0’。如果所有输出都符合预期恭喜你你的深度学习实验环境已全部配置成功。参考https://blog.csdn.net/HqyHans/article/details/135718533https://blog.csdn.net/sdjklghiof/article/details/137777480https://blog.csdn.net/m0_63244368/article/details/135070205