---

title: 深度学习环境配置（pytorch)
date: 2023-04-22 11:26:28

---

深度学习显卡与CUDA

CPU(Central Processing Unit) vs GPU(Graohics Processing Unit)

如下图所示，CPU中有大量的控制电路和缓存，计算能力(ALU)只是CPU中很小的一部分；而在GPU中有很多算术逻辑处理单元用于运算，只有很少的缓存。因此我们可以将图片放到GPU的处理单元进行运算，加速深度学习网络的训练。

下面简单介绍一下深度学习用到的显卡：

• 显卡，主要用于在屏幕上显示图像，用于与视频、图像处理相关的任务
• 主流的显卡分为独显（独立显卡）和核显（核心显卡），独显一般较大，性能更加强，深度学习中常用。核显，比较小，跟CPU合在一起，性能较低，但完全可以胜任日常工作
• 在深度学习中使用的显卡一般都是NVIDIA的显卡，一般不用amd的显卡做深度学习
• 有了CUDA，我们就可以使用NVIDIA显卡了。像pytorch，tensorflow这种深度学习库，可以通过调用CUDA这个库，把相关数据发送给GPU进行运算，以加速深度学习网络的训练
  

Windows下判断有无NVIDIA GPU:
检查任务管理器，如果GPU中带有NVIDIA字眼，说明有NVIDIA GPU

安装Anaconda

在配置深度学习环境的过程中，我们并不直接从python官网下载安装，更多的是安装Anaconda这个软件，那么Anaconda用什么作用呢？

我们安装好Anaconda后，直接就有了一个python的环境，并且可以使用conda install 包名命令。此外，anaconda的虚拟环境功能是我们选择它的一个重要原因，我们可以利用anaconda在计算机上创建多个虚拟环境，类似于一个个的虚拟机，它们互不干扰。当我们经常需要用到不同版本的python解释器/库时，我们可以在不同的虚拟环境中安装不同版本的解释器/库，当我们需要用到某个版本时切换一下虚拟环境即可，而不必反复卸载重装。

安装:

1. 到anaconda官网下载安装包：https://www.anaconda.com/
2. 也可以下载距今一两年左右的历史版本，比较稳定（https://repo.anaconda.com/archive/）。 注意安装anaconda后我们可以给不同的虚拟环境配置不同版本的python解释器，但python的版本小于等于安装的anaconda的python版本
3. 如果下载很慢的话可以右键赋值地址，粘贴到迅雷上下载
4. 安装路径最好全英文
5. 安装完成后，在开始菜单中找到anaconda，打开它的图形化界面。如果在environment中有base，说明安装成功
   

创建虚拟环境

什么是虚拟环境？打个比方，虚拟环境相当于一个工作室，它有序地管理这不同的包和库这些工具，当我们要做一个项目时就需要一个工作室。那为什么需要虚拟环境呢，一个直接的原因，例如我们一个项目要用pytorch开发，而另一个要用tensorflow开发，这样，我们可以创建两个虚拟环境，在里面分别安装pytorch和tensorflow，两个虚拟环境中的包和库不会互相冲突

为了创建虚拟环境，首相我们要为它取一个名字，这个名字最好有意义，方便我们以后看到它就知道它是做什么的。打开anaconda的命令行：

• 使用conda creat指令创建虚拟新的虚拟环境
  conda create -n 虚拟环境的名字 python=版本

  

  在创建虚拟环境的过程中会下载一些包，它会问你是否继续，选择y。接下来等待环境创建完毕即可。新创建的虚拟环境位于ananconda安装目录的envs文件夹下。
  

• 使用conda env list可以查看目前有哪些虚拟环境

• 虚拟环境创建好之后，使用conda activate 虚拟环境名切换虚拟环境，然后可以用conda list命令查看当前这歌虚拟环境下有哪些包

• 如果在创建虚拟环境时，下载包的速度很慢，可以使用conda create -n 虚拟环境的名字 python=版本 -c 镜像地址命令添加镜像加速

  镜像名	用于创建虚拟环境的地址
  清华镜像	https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  北京外国语大学镜像	https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
  阿里巴巴镜像	https://mirrors.aliyun.com/anaconda/pkgs/main

• 删除虚拟环境：conda remove -n 虚拟环境名 --all

补充：conda的通道与镜像地址

当我们使用conda install xxx或者conda creat -n xxx命令时，就会从一个叫做配置文件的地方去下载一些包，通道(channel)就在配置文件中，其实就相当于下载地址。当我们安装anaconda之后，就有一个默认的下载地址defaults，它是anaconda服务器的地址。当conda想要下载一些包，它就会去配置文件里面找有哪些下载地址，然后从这些地址去下载需要的内容。

使用conda config --get或者conda config --show可用查看配置文件中有哪些通道

但是defaults的下载地址在国外的服务器上，当我们的配置文件中只有defaults这个通道时，(在国内)使用conda下载一些包的时候就会很慢。于是我们可用通过在使用的命令后面添加-c 通道地址来告诉conda从指定的地址（国内的镜像地址）里面去找想要的包，例如conda install xxx -c xxx，但是这个镜像地址只会对当前这一条指令生效。

我们也可以在配置文件里面添加一些镜像地址，当配置文件里面有多个地址是，conda会优先使用最新添加的通道地址。

• 持久添加通道：conda config --add channels 通道地址
• 删除通道：conda config --remove channels 通道地址

添加/删除后可以通过conda config --get来查看

GPU与CUDA准备工作

前面我们已经创建好了虚拟环境，但在安装pytorch包之前，我们还需要进行一些准备工作。进入pytorch官网，点击install后我们可以看到一些选择，其中一项是选择CUDA的版本，这一部分主要介绍如何配置CUDA和选择CUDA的版本。

整个CUDA涉及到三个方面的内容：硬件显卡（算力）、显卡驱动（cuda driver version）、cuda runtime version（上图中要选择的内容）。一定要让它们三个之间互相匹配，pytorch的GPU版本才能够运用显卡。

显卡是一个硬件，需要有一个驱动才能够被我们计算机识别出来，在安装驱动的时候，会随着驱动安装一个叫做cuda driver的东西，cuda是可以让显卡进行并行运算的一个平台，当我们的计算机想利用显卡做一些并行运算的时候，它就可以通过cuda driver去操作显卡。但是对于pytorch或者一些其它软件来说，还得有一个cuda runtime才能去调用cuda driver里面的一些东西，进而去调用显卡去做一些加速运算。为了使上述三者能够协调工作，它们之间的版本需要满足：

1. cuda runtime version ≤ cuda driver version (如果cuda runtime的版本较高的话，可能会增加新功能，当它调用cuda runtime时，可能会没有相应的功能)
2. cuda runtime version支持显卡对应的算力

了解上述三个的关系后，我们需要进行如下工作：

1. 确定自己显卡的算力

• 首先通过驱动软件或者任务管理器确定自己的显卡型号 (NVIDIA GeForce MX350)
  

• google搜索cuda，点进Wikipedia后往下翻可以看到一张表格，找到上面显卡型号对应的算力（这个网站里面输入显卡型号也可以查询）(6.1)
  

2. 确定自己可选择的cuda runtime version
   根据下图确定cuda runtime version (8.0-12.0都可以)
   

3. 进入NVIDIA官网根据自己的显卡型号安装显卡驱动最新版本
   

4. 查看自己的cuda driver version
   打开命令行窗口，输入nvidia-smi (11.8)
   

5. 最终确定适用的cuda runtime version，确保cuda driver version ≥ cuda runtime version。（可以选择小于自己cuda driver version的最高版本，这里我们选择11.7）

安装pytorch

安装pytorch需要安装pytorch,torchvison,torchaudio三个包

利用conda安装pytorch：

1. 进入pytorch官网，点击install，根据自己的情况进行选择后，复制最后一行的指令

   

2. 打开anaconda的命令行，用conda activate xxx切换到要安装pytorch的虚拟环境

3. 执行第1步复制好的指令，会显示需要下载的一些包，我们先检查这些包的版本是否正确后，输入y回车后继续执行
   

   主要检查pytorch这一项，后面的py3.9表示适用于python3.9，cuda11.7是之前选择的cuda版本，cudnn是神经网络可以利用gpu加速的包（很多教程会要你单独安装cudnn，其实并不需要，pytorch现在已经将它集成进来了）

   由于pytorch的通道的服务器在国外，可能会出现下载速度非常慢的情况，可以ctrl+c关掉当前下载，在添加镜像源后重新进行下载（将之前命令中的-c pytorch改成-c + 镜像地址）

   镜像名	镜像地址
   清华镜像	https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
   北京外国语大学镜像	https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/win-64/
   阿里巴巴镜像	https://mirrors.aliyun.com/anaconda/cloud/pytorch/win-64
   南京大学镜像	https://mirrors.nju.edu.cn/pub/anaconda/cloud/pytorch/win-64/

验证pytorch是否安装成功

1. 打开anaconda命令行窗口，输入conda activate xxx激活安装pytorch的虚拟环境

2. 输入conda list，看有没有pytorch或者torch

3. 输入python，进入python解释器

4. 输入import torch

5. 输入torch.cuda.is_available()，如果显示True，就说明pytorch安装成功

安装PyCharm并进行配置

1. 下载PyCharm(https://www.jetbrains.com/pycharm/)：下载社区版即可，学生也可以免费申请专业版

2. 安装PyCharm：安装路径中最好不要有中文字符，在安装选项中按下图勾选

   

3. 配置合适的python解释器
   我们的python项目，要运行起来就需要一个python解释器，在pycharm中新建项目时，它会我们先配置一个python解释器。接下来介绍一下如何配置python解释器。

   打开PyCharm，点击New Project新建项目

   

   如果选择创建新的环境，它就需要重新下载一下包和库，所以我们一般选择使用之前已经配置好的虚拟环境

   

   点击①下拉找到虚拟环境，再点击create即可

   

   如果点击①没有找到需要的环境，那么点击②，之后选择Conda Environment，它会自动检测我们之前创建虚拟环境

   

   可以发现这里只有我们自己创建的虚拟环境，也就是envs底下的虚拟环境。但是我们在安装anaconda的时候有一个base虚拟环境，它位于我们的安装目录底下如果想添加base虚拟环境，PyCharm又没有检测到的话，我们可以按照下面步骤添加。

   首先确定你的虚拟环境位于什么地方（base在安装目录底下，自己创建的环境在安装目录的envs文件夹底下）,点击右边的按钮，找到anaconda的安装目录，下拉找到python.exe选中即可(如果要添加自己创建的虚拟环境，就选envs文件夹下面的对应环境中的python.exe)

   

   

给下载的项目设置合适的虚拟环境

在上一部分已经介绍了在pycharm中新建一个项目如何选择虚拟环境，但是我们有的时候并不是新建项目，而是从网上下载一个项目再用pycharm打开它，这一部分就来介绍一下我们拿到这些项目代码或文件夹，怎么用pycharm打开它并进行合适的配置。

以github上的项目为例

1. 首先下载项目。用git clone或者下载压缩包后解压。

2. 打开PyCharm，找到项目位置并打开
   

   如果打开pycharm是下面的界面的话就按找下图步骤选择项目
   

3. 有的项目因为有一个叫requirements.txt的文件，它里面写了这个项目中需要用到哪些包，我们在用pycharm打开这个项目时会跳出一个弹窗，问我们是否根据requirements.txt文件创建虚拟环境。但一般情况下我们都不按照这种方式创建虚拟环境，选择cancel即可。
   

4. 点击File->Settings->Project->Python Interpreter，选择想要的python解释器后点击OK
   

5. 打开requirements.txt，它会提示还有哪些包需要安装，点击安装即可
   

   如果我们的项目没有requirements.txt文件，我们可以先直接点击运行，它缺什么包就会报错，然后直接根据报错的信息用命令行安装相应的包

---

参考：最详细的 Windows 下 PyTorch 入门深度学习环境安装与配置 CPU GPU 版