“ 深度学习的课程开始了，你的环境搭建了嘛？”

在我们进行深度学习的过程中，离不开Anaconda环境和PyTorch深度学习框架。这两天我也是折腾了很久深度学习开发环境的搭建问题，所以写一篇文章，详细记录一下我自己在环境搭建过程中，所进行的步骤。欢迎大家交流~

01

—

Anaconda

Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。选择Anaconda的一个非常重要的原因是，我们在Anaconda中可以对不同的编程环境进行管理，比如在根据不同的项目需求选择不同的python版本，简化环境搭建过程，大大提高了开发效率。

同时Anaconda中还附带了两个非常好用的交互式代码编辑器(Spyder、Jupyter notebook)。

如果只需要某些包，或者需要节省存储空间，也可以选择使用较小的发行版Miniconda(仅包含conda和 Python)。

1.下载

首先进入官网，点击download跳转下载页面。

传送门：

https://www.anaconda.com/products/individual

然后根据电脑平台和python版本选择对应的安装包，建议使用python3以上的版本。我的笔记本是Windows10 64位，下面就以这个版本为例~

点击链接，开始下载。

2.安装

双击运行安装包，一路next

一般的话，个人电脑应该只有自己一个用户，建议选择Just Me，如果有多用户使用的需求，那么就选择All Users。

整个软件大概有3个G的大小，建议安装到C盘之外的磁盘，比如新建路径D:\Anaconda3\

同样的，记住自己的安装路径。

注意添加环境变量的问题。这里官方提示添加环境变量可能会导致Anaconda的卸载和重装问题，所以不勾选。如果有需求可以以后手动添加环境变量。第二个是默认使用python3.7，建议勾选。点击install。

等待安装完成。

在这里Anaconda向用户推荐了PyCharm作为集成开发环境。

PyCharm是一款非常优秀的Python集成开发环境，用起来开发效率很高，差不多是目前开发Python最常用的一款IDE。之前的文章已经讲过PyCharm的安装配置教程，欢迎回顾~

点击next，来到安装完成页面。

点击finish，完成Anaconda的安装过程。

安装完成后，在开始菜单栏可以发现Anaconda的快捷方式

然后打开Anaconda Prompt，输入指令

conda create -n pytorch python=3.7

这句指令的含义是新建一个环境，环境名字叫pytorch。

这里在建立过程中，会出现一次询问：是否安装以下包？

直接输入y，回车安装即可。

3.PyCharm关联

打开PyCharm，点击文件—>设置

添加python编译器。

输入自己的Anaconda安装路径，注意进入对应的环境名字，以我的安装路径为例，就是D:\Anaconda3\envs\pytorch\python.exe

点击apply，完成PyCharm与Anaconda的关联，以后就可以用PyCharm进行深度学习的学习啦~

02

—

PyTorch

PyTorch 是一个 Torch7 团队开源的 Python 优先的深度学习框架，提供两个高级功能：强大的 GPU 加速 Tensor 计算(类似 numpy)和构建基于 tape 的自动升级系统上的深度神经网络。

相对于其他几个框架，之所以选择PyTorch建立深度学习模型，大概有以下几个优点。

易于使用的API—它就像Python一样简单。

Python的支持—如上所述，PyTorch可以顺利地与Python数据科学栈集成。它非常类似于numpy，甚至注意不到它们的差别。

动态计算图—取代了具有特定功能的预定义图形，PyTorch为我们提供了一个框架，以便可以在运行时构建计算图，甚至在运行时更改它们。在不知道创建神经网络需要多少内存的情况下这非常有价值。 

PyTorch的其他一些优点还包括：多gpu支持，自定义数据加载器和简化的预处理器。

https://www.jianshu.com/p/d66319506dd7

1.确定安装版本

在进行PyTorch的安装之前，首先，检查自己的显卡是否支持cuda。

cuda是NVIDIA推出的只能用于自家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。

因此，只有英伟达自家的显卡支持cuda，如果你的电脑是AMD的显卡，或者是集显，请安装CPU版本PyTorch。另外，如果你的电脑是英伟达显卡却不支持cuda，也请安装CPU版本PyTorch。

按下Ctrl+Alt+.键，打开任务管理器性能选项，查看自己的显卡型号。

通过该网址查询自己的显卡是否支持cuda。

https://developer.nvidia.com/cuda-gpus

如果显卡支持cuda，那么打开cmd窗口，输入nvidia-smi，查看显卡驱动版本型号，确保显卡驱动版本号大于396.26，才能正常使用GPU加速PyTorch。

如果版本号小于396.26，那么请到英伟达官网下载安装最新驱动。

传送门：

https://www.nvidia.cn/geforce/drivers/

默认安装即可。

驱动更新完成后，到PyTorch官网查看PyTorch的具体安装方式。点击get start。

传送门

https://pytorch.org/

然后根据自己的cuda版本选择与之对应的版本，cuda版本查看方式与驱动版本查看方式相同：cmd窗口输入nvidia-smi

在这里我是11.0版本，然而PyTorch并没有与我的cuda对应的版本，因此我选择了9.2版本。建议大家安装对应版本。

我们发现PyTorch的安装非常简单。只需要复制该语句，到Anaconda Prompt中粘贴回车即可。

无英伟达显卡，或者显卡不支持cuda则安装CPU版本。

2.安装

接下来，打开Anaconda Prompt，通过指令conda activate pytorch进入刚刚创建的环境。

复制PyTorch官网给的语句，回车进行安装。

询问是否安装一下包，输入y，回车进行安装。

不出意外的话，你应该会安装失败。

建议换个姿势再安装一次，或者使用清华镜像，安装速度会快很多。

我第一次安装就失败了，不过换了个时间以后再试一遍就成功了。关于如何使用清华镜像，可以参考这篇文章。

pytorch快速安装【清华源】

https://blog.csdn.net/zzq060143/article/details/88042075

安装成功以后，输入python，进入python开发环境，通过

import torchtorch.cuda.is_available()

如果输出True，则说明cuda版本安装成功。

最后，在PyCharm中新建py文件，同样通过以上两个语句，测试环境搭建成果。如果输出为True，那么以后就可以愉快地用PyCharm进行深度学习的学习了~

写留言