目录

Pytorch的几个主要特性:

二、Miniconda安装

1.Miniconda介绍

2.Miniconda安装教程

3.Miniconda环境操作

三、CUDA安装

1.CUDA toolkit和cudnn的作用

2.查看显卡支持的CUDA版本

3.下载CUDA toolkit

4.下载cudnn

四、Pytorch安装

1.查找对应版本号

2.下载离线Pytorch

3.在conda环境中安装Pytorch

五、在Pycharm中使用配置好的环境

六、简单的应用

七、环境迁移

方法一：直接复制文件

方法二：使用pack库打包环境中的包

方法三：使用环境的requirements.exe文件

八、问题汇总

1.torch的cpu和gpu版本选择?

2.在miniconda prompt中输入cd 路径没有反应？

3.C:UsersUsername（你的用户名称）路径下不存在.condarc文件?

4.下载CUDA时提示需要安装Visual Studio？

---

一、Pytorch介绍

PyTorch 是一种用于构建深度学习模型的功能完备框架，以出色的灵活性和易用性著称。是一种通常用于图像识别和语言处理等应用程序的机器学习。使用 Python 编写，因此对于大多数机器学习开发者而言，学习和使用起来相对简单。无论是学术研究、工业应用还是教育，PyTorch 都是一个值得学习和使用的工具。

1.PyTorch 使用动态计算图，这意味着图的结构可以在运行时动态改变。这使得调试和实验变得更加容易，因为你可以实时看到计算图的变化。

2.PyTorch完全支持GPU，并且使用反向模式自动微分技术，通过 torch.autograd 模块实现。这使得实现和训练神经网络变得更加简单，因为你不需要手动计算梯度。

3.PyTorc生态系统还包括许多工具和库，如 torchvision（用于计算机视觉）、torchaudio（用于音频处理）和torchtext（用于自然语言处理）。这些库提供了预训练模型和数据加载工具，加速了开发过程。

Miniconda是一个更小的Anaconda发行版（Anaconda是一个包含大量预装数据科学和机器学习库的Python发行版），它只包含conda包管理器和Python以及其必要的库。Miniconda的目的是提供一个更轻量级的选项来安装和运行conda环境，同时保持Anaconda的核心功能。Miniconda可以安装在任何操作系统上，并且可以用于创建轻量级的Python环境，适合那些需要定制环境，不需要Anaconda完整发行版中所有组件的用户。使用Miniconda，用户可以轻松地安装、更新和管理Python包，以及创建隔离的Python环境。

搜索Miniconda，进入Miniconda官网：

Miniconda — Anaconda documentation

下载对应操作系统的Miniconda:

下面以Windows系统为例，安装步骤如下:

1、下载对应的Miniconda版本

2、运行安装程序

！！！选择安装路径(安装到D盘或E盘)

！！！勾选添加到环境变量

运行Miniconda：

1、按win键，打开全部

2、打开Miniconda下的Anaconda prompt

4、换源

1.查看C:UsersTkKrsm（你的用户名称）路径下是否存在.condarc文件，如果没有在Anaconda prompt的终端下输入：

conda config --set show_channel_urls yes

会在用户名路径中生成.condarc文件，内容如下：

将文件内容替换为:

图中更换为清华镜像源，可以搜索其他镜像源更换

3.环境操作与anaconda相同

CUDA Toolkit和cuDNN是NVIDIA提供的两个重要软件组件，它们在GPU计算和深度学习中扮演着关键角色。

1. CUDA Toolkit：

CUDA Toolkit是一个用于开发GPU加速应用程序的综合工具包。它允许开发者使用C、C++、Fortran等语言编写代码，并通过CUDA编译器将其编译为GPU可执行代码。

1. cuDNN：

cuDNN是NVIDIA为深度学习优化的库，在CUDA之上运行,专门为深度学习设计,提供了高效实现的深度神经网络常用操作，如卷积层、池化层、激活函数等。

兼容性：需要与特定版本的CUDA Toolkit配合使用，确保深度学习框架（如TensorFlow、PyTorch）能够有效利用GPU加速。

1. 总结：

CUDA Toolkit是开发GPU加速应用的基础，提供了底层的编程接口和工具。

cuDNN是构建在CUDA之上的优化库，专注于深度学习的计算需求。

安装深度学习框架时，通常需要先安装兼容的CUDA Toolkit，然后再安装cuDNN，以实现GPU加速功能。

通过结合使用CUDA Toolkit和cuDNN，开发者可以显著提升深度学习模型的训练和推理效率。

方法一：终端查看

同时点击win+r，输入cmd点击“确定”，进入终端窗口，输入

nvidia-smi

查看CUDA版本：

点击NVIDIA Control Panel

依次点击系统信息，组件。

查看版本

！！！此处显示的CUDA版本并不意味着你使用显卡本身“最高支持”的CUDA版本，仅仅是你当前安装的驱动所支持的 CUDA版本。如果你发觉该版本似乎太低，你可以在下载适用于你显卡的最新版本的驱动程序。

进入CUDA官网，找到CUDA Toolkit Archive 页面：

CUDA Toolkit Archive | NVIDIA Developer

可以选择下载与自己CUDA版本一样或者更低的tooolkit版本，但是注意后面下载cudnn版本的时候要和自己下载的toolkit版本对应。

！！！

如果需要编译CUDA代码或开发CUDA应用程序：可能需要安装Visual Studio或Visual Studio Build Tools

我们只是使用PyTorch进行GPU训练，并且是通过pip安装预编译的PyTorch包，不需要下载和安装Visual Studio

选择自己的操作系统：

比如这里选择的是windows操作系统，win11版本的。

下载安装包后运行安装

安装过程：

运行安装程序，选择安装路径(D盘或E盘)

检查系统兼容性，要注意安装的cuda版本要低于电脑的cuda版本

这里选择自定义安装

组件选择CUDA，点击“+”号展开CUDA里的详细组件

！！！这里要把Visual Studio Integration给取消掉

选择安装位置

安装完成

检验是否安装成功

打开cmd，输入

nvcc -V

出现了你安装的CUDA的版本信息，说明安装成功了

查询一下本机的gpu设备，测试一下带宽

定位安装目录的demo_suite文件夹（安装文件路径/NVIDIA GPU Computing ToolkitCUDAv12.1extrasdemo_suite）

点击win+R，输入cmd打开终端

Cd 到该目录下：

Cd C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.1extrasdemo_suite

输入文件名运行文件（包括后缀.exe）

deviceQuery.exe

bandwidthTest.exe

出现Result = PASS说明安装成功了

在NVIDIA官方网站下载安装包，地址为：

https://developer.nvidia.com/rdp/cudnn-archive

如果你没有NVIDIA开发者账号的话，就按照提示注册一个就好（qq邮箱就行），再登录即可下载了。

需要下载与CUDA版本相同的cudnn版本

Cuda下载的12.X版本的就下载12.X

Cuda下载的11.X版本的就下载11.X

cuDNN版本不需要选择最新的，选择前几个版本的就行

。

点击windosw版本的开始下载

下载下来是个压缩包（名称与这个类似cudnn-windows-x86_64-8.4.0.27_cuda11.6-archive.zip）

直接解压缩，解压完是如下的文件夹

将bin、include、lib三个文件夹里的文件复制到cuda toolkit文件夹下的同名文件里。

cuDNN安装完成

查看电脑支持的最高CUDA版本，与三、1的查看方法相同：

即在cmd终端输入nvidia-smi

或者打开NVIDIA Control Panel

打开Pytorch的离线下载资源网站:

https://download.pytorch.org/whl/torch_stable.html

会看到如下界面

首先确定你要安装的torch版本和torch vision版本

搜索pytorch，打开pytorch官网:

下拉找到历史版本的pytorch

Previous versions of Pytorch
找一个支持你电脑CUDA版本的pytorch版本，不需要下载最新的pytorch版本

找到该界面，确定CUDA 12.1的pytorch版本为2.3.1，torchvision版本为0.18.1，

打开Anaconda prompt，输入activate name（你的环境名称）激活环境

输入python --version查看当前环境下的python版本

比如我这里的python版本是3.10版本

如果还没有创建虚拟环境，可以在（base）环境下输入

conda create -n env_name(虚拟环境名称) python=3.10（python版本）-y

来创建一个虚拟环境

比如这里就创建了一个名为pytorch_cp310,python版本为3.10的环境。

在(base)环境下输入conda env list可以查看已经创建的环境名称

回到刚才的离线下载网站,找到对应的torch版本

例子对应的是

cu121，torch2.3.1，cp310的windows版本

再找到对应的torchvision版本

例子对应的是cu121，torchvision0.18.1，cp310的windows版本

点击就会开始下载

下载完成后会有这样的两个文件
可以把这两个文件单独在D盘或E盘建一个文件夹保存，方便后面在conda环境下安装。

1打开Anaconda prompt输入activate name(创建环境的名称)激活环境

2输入cd E: equirements orch（你的保存下载的两个文件的路径）进入到该路径。

！！！如果输入cd 路径没有反应，可以先输入D:或者E:

进入到根路径下再输入上面的命令进入保存路径。

install 后面是你下载的torch文件的名称，开始下载torch。

4同样的方法下载torchvision，在命令窗口输入pip install torchvision-0.18.1+cu121-cp310-cp310-win_amd64.whl

-i Simple Index

install 后面是你下载的torchvison文件的名称，开始下载torchvision。

5下载完成后，验证是否安装成功，激活安装pytorch的环境，在该环境下输入

conda list

5检验是否能够使用，同样激活安装pytorch的环境，在该环境下输入

python

import torch

torch.cuda.is_available()

显示True表示可用

1．打开pycharm，点击右下角的环境配置-添加新的解释器-添加本地解释器

2.选择Conda环境

一般是在Minicondascripts路径下

5.点击使用现有环境，选择自己配置好的环境

6.点击确定，即可在右下角切换自己配置的环境

使用torch库构建和训练神经网络

• torch：包含了PyTorch的核心功能，如张量操作、自动微分、优化器等。
• torch.nn：包含了构建神经网络所需的模块和函数，如线性层、激活函数、损失函数等。

将Minicondaenvs下创建的环境文件夹压缩后直接在新设备的Minicondaenvs下解压缩，

conda config --append envs_dirs D:yandandan2021envs（dir后替换为自己解压后的路径）

来添加环境

！！！缺点：有些库(labelme、labelimg等库)的代码中包含绝对路径，使用时会报错，

需要使用

python -m labelme（报错的库名称）

先指定好python的解释器使用自己设备的，而不是原来复制的python解释器

或者输入

python -m pip install --upgrade --force-reinstall packname（重新安装的库的名字）

来重新安装该库

(1)先安装conda pack

pip install conda-pack

(2)查看要打包的conda环境

conda info -e

(3)压缩conda环境

conda pack -n your_conda_env(你要压缩的环境名称)

会自动压缩为your_conda_name.tar.gz,路径在当前路径下，可以先cd到你想要保存的路径下。

(4)将压缩包拷贝到目标环境
目标环境需要和源环境是相同平台和操作系统

(5)在目标环境Miniconda/envs/下创建文件夹并解压

(6)查看并使用conda环境

conda info -e

activate your_conda_env

！！！缺点：与方法一缺点相同，有些库(labelme、labelimg等库)的代码中包含绝对路径，使用时会报错，需要重新安装该库。

(1)在miniconda prompt中激活要导出的环境
activate your_conda_name(你的环境名称)

(2)将环境中的库导出为requirements.txt文件

pip freeze > E:/requirements/requirements.txt（保存的路径及名称）

(3)查看requirements.txt文件，并修改部分库

比如之前离线下载的torch库，需要在文件中删除，自己提前离线下载好

激活环境后先cd到requirements.txt文件所在的路径下

输入

pip install -r requirements.txt -i Simple Index

安装requirements中的库

(5)检查库是否安装完成

输入 conda list

！！！缺点：如果环境中的库太多，安装requirements时会因为依赖包的版本不匹配而报错，导致安装失败。

需要自己在requirements中修改对应的依赖包版本。

（可以把库 = 版本号中的等号改为<=或>=）

还有像torch这种离线安装的库，需要提前安装好。

CPU 版本:如果你没有 NVIDIA GPU 或不需要 GPU 加速，选择 CPU 版本。

GPU 版本:如果你有 NVIDIA GPU 并且需要加速计算，选择 GPU 版本。

CPU 版本的 PyTorch 适用于没有 GPU 或不需要 GPU 加速的场景。它可以在任何机器上运行，但通常比 GPU 版本慢。

需要先输入D: 或 E: 进入到磁盘的根目录下再输出cd 路径进入到指定的路径

先检查路径有没有错误。如果没有错误，可以在miniconda prompt 中输入

conda config --set show_channel_urls yes

会生成.condarc文件

我们只使用PyTorch进行GPU训练，并且是通过pip下载的，不需要安装Visual Studio。提示安装，可能是因为在安装CUDA时勾选了Visual Studio，在安装时取消勾选就行。