【Pytorch-入门】windows下的环境搭建（经验证成功~）

前言

实验需要，之前使的tensorflow【因为自己手边的服务器都是windows环境TT...】，但身边的师兄们用的都是pytorch，自己查了查现在做科研基本上都是用的pytorch，而且现在pytorch的windows版本也已经很成熟了，fastai深度学习库也受到了广泛的好评，所以...果断转！

环境搭建-windows-gpu版：

入门嘛当然是先搭建环境啦，网上资料蛮多的，这里我就记录一下我的搭建过程吧：

一、版本选择：

网上看看，现在pytorch最新版的都是1.0了哇，然而很多开源的项目用的还都是0.4版的，现在刚入门，还是基础为主，就选择最新版pytorch1.0吧！

二、系统需求：

1、Python:3.6及以上

2、操作系统环境：windows

系统	GPU	CPU
linux	binary	binary
mac	source	binary
windows	source	source

备注： binary = 直接可以安装, source = 必须从源码编译

三、通过Anaconda安装：

之前没安装过Anaconda的需要安装好之后再进行之后的操作！[教程网上很多（有的也很坑，慎重选择！），这里不再赘述]

这里因为俺之前摸爬滚打，入了很多坑，所以有些操作就只简单解释一下，如果不懂可以自己查查或者留言~

1、使用Anaconda创建虚拟环境【防止出现你之前的许多包or环境与Python,PyTorch以及其他包的版本出现不兼容等玄学问题！】：

• 查看当前存在哪些虚拟环境：conda env list 或 conda info -e

​

•  创建python虚拟环境： 

使用 conda create -n your_env_name python=X.X（2.7、3.6等） anaconda 命令创建python版本为X.X、名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。
# 指定python版本为3.6，注意至少需要指定python版本或者要安装的包# 后一种情况下，不指定python版本，自动安装最新python版本
conda create -n env_name python=3.6
# 同时安装必要的包
conda create -n env_name numpy matplotlib python=3.6

•  激活创建的虚拟环境：Windows: activate your_env_name(虚拟环境名称)，这是使用python --version可以检查当前python版本是否为想要的。

​

 2、在当前虚拟环境下通过conda安装pytorch：

如果和我一样准备安装的是gpu版的，注意一定要检查你的cuda版本，确保和你的系统保持一致。一般推荐的是cuda9.0版的【相对最新版要稳定的多】，如果没安装cuda，可以自行安装后再进行之后的步骤，推荐按照官网教程来：win10+cuda9.0+cuDNN 7.0+TensorFlow-gpu install steps【一定要注意版本匹配的问题！】：

• 进入之前配置好的虚拟环境中：activate -虚拟环境名称（如果你忘记了之前的虚拟环境名称，输入：conda env list）
• 安装每日编译 nightly 的 PyTorch，注意 cuda 的版本要和你自己的系统保持一致，比如在 CUDA 9.2 上安装：

conda install -c pytorch pytorch-nightly cuda92

• 如果你的系统没有安装 cuda，那么可以通过下面的命令安装 cpu 版本的 PyTorch：

conda install -c pytorch pytorch-nightly-cpu

 安装 fastai：

conda install -c fastai fastai

• 如果安装过程有什么问题，请确保你的 conda 版本已经更新到最新： 

conda update conda

3、安装成功后的测试：

因为是gpu版的，而且在windows上安装，难免会有许多玄学bug出现，这时是否能用，就要测试一下啦：

同样在之前的cmd虚拟环境中输入：

import torch    # 如正常则静默

a = torch.Tensor([1.])    # 如正常则静默

a.cuda()    # 如正常则返回"tensor([ 1.], device='cuda:0')"

from torch.backends import cudnn # 如正常则静默

cudnn.is_acceptable(a.cuda())    # 如正常则返回 "True"

​