date
Sep 13, 2024
icon
password
Pin
Pin
Hide-in-Web
Hide-in-Web
网址
type
Post
slug
pytorch-ins
tags
经验总结
机器学习
category
技术分享
bottom
bottom
Hide-in-Config
Hide-in-Config
comment
Show
status
Published
summary
anaconda, pytorch, tensorflow, python
本文将介绍 Anaconda、pytorch、tensorflow 的安装。Pytorch 和 Tensorflow 的安装教程大同小异，都是利用 anaconda 工具进行配置、安装。
Anaconda 是一个用于数据科学、机器学习和深度学习等领域的软件发行版，它为用户提供了一个统一的环境，可以方便地管理包和虚拟环境，尤其适合需要在不同项目中使用不同依赖版本的情况。比起散乱的将各种版本的 python 安装到电脑上，管理不好而发生项目依赖冲突的问题，anaconda 能让我们有条理的整理我们的所有环境，并且每个环境都能拥有属于自己的数据库。
Anaconda 的安装教程
安装顺序：确认电脑是否有 N 卡（没有也没关系） → 安装 cuda 和 cudnn → 安装 anaconda → 安装 pytorch /tensorflow。
确认电脑是否支持 N 卡并进行安装或更新
下面的叙述内容参考的是这篇文章 【Windows】安装NVIDIA驱动 / 更新驱动_windows 更新nvidia驱动，可以直接按照这篇文章操作，也可以按照下面的步骤进行（推荐），整合了文章的内容以及自己的理解。
Pytorch 环境配置首先需要确定自己的电脑是否支持 N 卡，如果电脑是有 N 卡的，需要多一些配置过程，可以继续下面的过程；如果电脑没有 N 卡，则直接跳转到 anaconda 的安装 这个部分。N 卡可以帮助我们在后面的 机器学习/深度学习 训练中使用 GPU 进行训练，加快训练速度。
那么，我们要怎么确认自己电脑是否支持 N 卡呢？
- 按下Windows键 + R，输入
DxDiag并点击确定
- 在 DirectX 诊断工具启动后，点击显示标签，显卡的名称与制造商会显示在设备栏位中，而驱动程序的版本则会显示在驱动程序栏位中。
可以看到，我的电脑是同时支持 amd 和 nvidia 的，不是独立显卡。如果你的电脑是以 N 卡为独立显卡的，可能只有“显示” 这一个窗口，点击显示后，名称应该是 NVIDIA xxx 。如果不是上面两种情况，你的电脑应该就不是 N 卡的了。
如果电脑支持 N 卡但没有 nvidia 程序，需要根据名称中 NVIDIA 的型号和你电脑的类型去官网下载 NVIDIA GeForce 驱动程序 - N 卡驱动 | NVIDIA ，依据下图的过程进行搜索：
接着将页面往下滑，找到并点击获取下载的链接，然后立即下载即可。
下载的具体操作过程非常简单，我把参考文章中的截图直接搬过来了（懒得自己再下一遍了😶🌫️），打开安装包后，过程如下面的折叠框内容所示：
下载完 nvidia 程序后，接着就需要安装 cuda，cudnn，vs（指的是 Visual Studio） 和 anaconda 了。
cuda 及 cuDNN 的安装
参考了 CUDA安装及环境配置——最新详细版-CSDN博客 这篇文章，不过建议直接查看下面的教程（推荐），会更加详细。
首先进行 cuda 的安装，在安装之前呢，我们需要确定三件事：
第一：查看显卡支持的最高CUDA的版本，以便下载对应的CUDA安装包；
第二：查看 CUDA 对应的 VS 版本，以便下载并安装对应的VS版本（vs 安装后再安装 cuda 和 cuDNN）；
第三：确定CUDA版本对应的 cuDNN 版本，这个其实不用花太多时间找对应版本，因为在 cudnn 的下载页面会列出每个版本对应的cuda版本。
- Visual Studio 的安装：进入 Visual Studio 的下载页面 下载 Visual Studio Tools - 免费安装 Windows、Mac、Linux (microsoft.com)，查找 cuda 对应的 vs 版本过程非常繁琐，因此直接安装 2019 或者 2022 版本的就可以了，如果你的 cuda 版本在 12.0 以上，安装 2022 版本肯定没有问题，11 点几的版本可以安装 2019。
- cuda 的安装：可以在命令行中输入
nvidia-smi查看当前 nvidia 最高支持的 cuda 版本，进入cuda 的官网 CUDA Toolkit Archive | NVIDIA Developer，选择合适的 cuda 版本进行下载。
在安装 cuda 的时候，不是一定要安装最新的版本，cuda 的版本也要与 pytorch 官网适配的版本相对应才行。
进入 pytorch 官网 首页，我们可以看到pytorch 目前支持的 cuda 的最新版本为多少，如果电脑的 cuda 版本比官网的高，那么可以选择安装官网目前支持的版本（进入官网后如下面的 gif 演示）：
如果电脑已有的 cuda 版本低于 pytorch 官网目前最新的版本，那么就安装命令行窗口显示的 cuda 版本就行。
cuda 的具体安装步骤
cuda 安装完成后，记得在命令行中输入
nvcc -V 来验证安装是否成功。- cuDNN 的安装：进入官网 cuDNN Archive | NVIDIA Developer，选择自己安装的 cuda 版本对应的 cuDNN 安装即可，安装完成后，按照下面的步骤操作：
完成上面三步后，cuda 和 cudnn 的安装就大功告成啦🎉！！
接下来是 anaconda 的安装。
anaconda 的安装
anaconda 的安装过程直接参考这篇文章【2024年最新】Anaconda3的安装配置及使用教程(超详细)，它已经写的很详细了， 但为了避免原来的网站失效，我将网站的完整步骤都截图放在下面了，也加入了一些我的说明，如果不想跳转网站的也可以直接打开折叠窗口阅读。
anaconda 安装过程
这一步非常重要！因为Anaconda的下载源默认在国外，如果不配置我们国内源的话，下载速度会慢到你怀疑人生的。而且很多时候会导致网络错误而下载失败。配置方法如下：
打开Anaconda Prompt，执行以下命令，将清华镜像配置添加到Anaconda中：
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 --set show_channel_urls yes
df：关于上面的这三条链接，我做一些说明，把他们一条一条复制到 anaconda prompt 中，每复制一条就按下回车键，等待命令行窗口响应后再输入一条，输入完后可能没有任何文字反馈，但不报错就说明是成功了。
df：关于虚拟环境的创建，其实不需要使用上面的过程，上面的过程中需要打开 anaconda navigator，但打开它的速度其实比较慢，然后我觉得它创建环境的速度也很慢😇。因此，直接打开 anaconda prompt，在里面输入conda create -n=xxx python=x.x（记住，不要加多余的空格，等号两侧也不要加空格），“-n=”后面的 “xxx” 填写的是虚拟环境的名称，“python=x.x” 后面填写的是 python 的版本号，如 3.7.6。通过这种方式就可以创建一个虚拟环境了。这种方式也是我创建环境最常用的。如果想要删除某个虚拟环境，可以使用conda env remove -n xxx“xxx” 指代想要删除的环境的名称。
Pycharm 接入虚拟环境：
anaconda 使用过程中的注意点
anaconda 安装好后，我们的虚拟环境 env 的位置可能默认不在 C 盘，而是在 D 盘
这种情况我们最好是将虚拟环境的位置移动到 D 盘进行储存，因为部分人 C 盘的内存可能比较小，虚拟环境又会占用大量的内存空间，因此，为了避免 C 盘爆满，按下面的操作移动一下位置是比较好的选择。当然，如果你的 C 盘空间大，不在意这个，那当我没写。
同样地，我也将具体的过程搬运到了折叠框中，并做了一些说明。
移动的具体过程
df：上面的命令是需要打开以文件夹绝对路径为起始地址的 cmd 窗口才能实现目的的。打开的方法如下：
最后一行为环境所在路径，其他复制粘贴！！
anaconda 打开时总会先打开 vscode
这个的原因可能是 vs code 的环境没有写入系统环境变量中。
按照下面的步骤进行操作即可：
打开管理员环境变量设置。
- 找到与 VS Code 相关的路径，通常在环境变量的 PATH 中。
- 修改路径中的 bin 部分，确保它指向正确的 VS Code 安装路径（其中包含文件
code和code.cmd）。
注意，如果环境变量中没有 bin 的部分，那么就添加 Vs Code 中的 bin 文件夹到 path 中。
环境变量的打开方式：
VS Code 安装路径查找：
- 确认更改后，注销系统并重新打开。
安装完成 anaconda 以后，最后需要进行的步骤就是 pytorch 的安装了。
anaconda 常用指令
conda create -n myenv python=3.8 指令可以快速创建一个名为 myenv 的虚拟环境，python 版本为 3.8.conda activate myenv 用于进入这个虚拟环境；conda deactivate 用于离开虚拟环境；conda env remove -n myenv 用于移除这个虚拟环境。conda env list 用于查看所有的虚拟环境。Pytorch 和 Tensorflow 的配置教程
pytorch 的安装
首先，需要在 anaconda prompt 中创建一个虚拟环境，在命令行中输入
conda create -n pytorch python=3.8 即可创建名字为 ”pytorch“ 的虚拟环境，它的 python 版本为 3.8；之后，输入
conda activate pytorch 进入虚拟环境 “pytorch” ，根据自己的 cuda 版本安装 pytorch。如果自己电脑的 cuda 版本比较高，就在官网首页选择最新的 cuda 版本后复制相应的指令到命令行窗口，回车后即可进行 pytorch 的安装，如果电脑已有的 cuda 版本低于 pytorch 官网目前最新的版本，那么可以进入 Pytorch|Previous 网站按照下图所示的方式查看自己适配的 pytorch 版本。
一定要注意，要先进入你创建的 pytorch 的虚拟环境后，才能复制代码进行安装。
等待 pytorch 安装完成以后，需要验证 pytorch 是否与 cuda 适配。通过
conda activate pytorch 进入虚拟环境，然后输入 python 进入 python 环境，import torch 后，输入 torch.cuda.is_available() 语句，如果 pytorch 成功安装且与 cuda 适配，那么会返回 True 。如果电脑没有 N 卡，或是 cuda 与 pytorch 不适配，那么就会返回 False ，在前面一种情况下，不用纠结，其实 pytorch 已经安装好了（只要 import torch 不报错就行）。在后一种情况下，可以选择卸载 pytorch 后重新选择合适的版本安装，输入 pip uninstall torch torchvision torchaudio 卸载 pytorch，然后按照前面的步骤重新安装 pytorch 即可。
Tensorflow 的安装
这个过程问了 gpt，按照它的操作来就行。
写在前面：目前国内主流的还是使用 pytorch，tensorflow 我在安装的时候大体上是能用的，不过总是会出一些小问题，但 tensorflow 给我的感觉还是很整洁优雅就是了（别问我为什么，就是感觉）。
在 Anaconda 中安装 TensorFlow 的步骤如下：
1. 创建新的虚拟环境（推荐）
建议在单独的虚拟环境中安装 TensorFlow，以避免与其他库发生冲突。打开命令行工具（如 Anaconda Prompt 或终端），运行以下命令来创建并激活虚拟环境：
这将创建一个名为
tensorflow_env 的虚拟环境，并安装指定版本的 Python（例如 3.8）。2. 安装 TensorFlow
接下来，使用 Anaconda 安装 TensorFlow。在激活的虚拟环境中运行以下命令：
如果要安装 CPU 版本的 TensorFlow：
如果要安装 GPU 版本的 TensorFlow：
首先，确保你有支持的 NVIDIA 驱动程序和 CUDA 工具包，然后运行以下命令：
3. 验证安装
完成安装后，可以通过以下代码验证 TensorFlow 是否成功安装：
如果能正确输出 TensorFlow 的版本号，说明安装成功。
4. 安装 Keras（可选）
如果在 TensorFlow 中使用
keras，不需要单独安装 keras，因为它已经包含在 TensorFlow 中。你可以直接导入：如果你遇到任何问题，比如无法自动包含
keras，请确保 tensorflow 是最新版本，可以尝试以下命令更新：如果问题依旧存在，考虑重新安装虚拟环境并尝试安装不同的 TensorFlow 版本。
有关 pycharm
在所有的环境都配置好后，就可以进行代码的书写与运行了，那么，该采用何种方式运行上面的虚拟环境然后进一步地编译代码呢？
我个人推荐使用 pycharm 来执行 python 程序。pycharm 的界面比较清爽，也有很多的适配插件，同时大部分的 pytorch 和 python 教程都使用 pycharm 作为程序运行环境，因此在电脑上安装 pycharm 是不错的选择。关于 pycharm 的安装可以网上自行去找找教程，后面我也会腾出时间来写一个关于 pycharm 配置的说明或博客。
如果你已经安装好了 pycharm 这个软件，那么接下来你可以按照图片所示的方式来配置编译环境：
如果大家的电脑上面没有 gpu 其实也不是非常大的问题，其实在 google colab 上面也是可以使用 gpu 进行训练的，相当于是使用它们的服务器。可以将代码导入 google colab 中，然后选择 gpu 模式。
配置完 pytorch 后，就可以开始机器学习了，建议可以先看吴恩达的课程打好基础（也可以参考我的 吴恩达机器学习的笔记）
如果大家对于论文阅读工具的选择、论文查找、论文网站选取等方面有困扰的话，欢迎大家阅读这篇博客：『 科研训练第一步：论文！！ 』
目前我正在学习 Linux 的课程，『Linux 笔记』持续更新中，如果想要参与笔记共建，可以进入 『Linux 笔记-共享』
如果本篇笔记对你有用，能否『请我吃根棒棒糖🍭 』🤠…