conda环境配置+pip、conda包库管理+pytorch-gpu安装——三合一

环境配置-pytorch

• 环境配置-pytorch
  • 一.何为环境？
  • 二.建立虚拟环境流程
    • 1.创建环境
    • 2.激活环境
    • 3.管理包库
    • 4.conda和pip换源(可选，创建环境之前完成)
  • 三.Cuda和CuDNN+安装gpu版本的pytorch
    • 1.查看可以安装的最高版本的cuda
    • 2.确定可以安装哪些cuda
    • 3.检测安装是否成功

一.何为环境？

其实对于一台电脑就是一个环境，在这个环境下你可以干任何事情，而不受外界影响。

因此，环境就是一个可以隔离外界而容纳内部的一些属性或者操作——是不是非常像面向对象的类的概念？

当下比较流行的python环境管理有pip和anaconda。

这里我们就不介绍一些无聊的介绍，你只需要知道这两个是可以进行python包库统一管理的软件。它们的历史渊源可以自行查阅。

对于anaconda而言，其是目前包含了Python和各种用于科学计算的包、可以完全独立使用的一款软件。anaconda“有一个虚拟环境的概念，每个环境之间是隔离的，都可以设定不同的Python版本以及各种包，不和系统的冲突，可以随便切换”，所以十分方便。

其有虚拟环境管理和包库管理的功能。

---

tips：anaconda实际上不仅仅可以管理python还可以管理R、C等语言库，而pip是针对于python设计的，因此更加专业化，我们也常用pip，但是安装环境还是得用anaconda。

---

对于pip而言，一般来说就只有包库管理的功能了。

那么我们可以这样理解，anaconda建立一个虚拟环境——类似于虚拟机的概念，这个环境在电脑这个大环境下，与非我的环境相互隔离，然后进入这个环境后进行编程和软件运行等操作。

二.建立虚拟环境流程

1.创建环境

首先我们通过anaconda的命令conda create -n 环境名字 python=版本号干一件事情：“通过conda的create命令创建一个名为xx的、python版本为xx的虚拟环境”。

---

tips:所谓的命令实际上还是exe文件，命令仅仅是起到了一个用户-软件exe的接口交互的作用——类似于函数接口(API)。

---

2.激活环境

然后使用命令“activate 环境名字”进入环境。

---

tips：
首先，我们的这些操作都是在终端-terminal中进行的，所谓终端：对于软件设计都有一个后端-用户端口的设计模式，这个用户端口的“显示界面”可以理解为终端。上面的api就是连接后端功能和终端的部分之一。

​ 然后，windows的终端就是命令行-cmd，anaconda使用cmd终端建立环境有3部分：环境名称、目录和命令：

​ 你在哪个目录下打开cmd就是在哪里进行操作。

---

3.管理包库

最后可以通过conda list(查看已安装库)、conda install进行包库管理。当然，也可以通过pip管理，如果你是python软件开发，推荐优先使用pip。

相关的常用命令在下面。

conda create -n xx python=3.8 //创建python3.8的xx虚拟环境
conda remove -n xx --all //删除xx虚拟环境
conda activate xx //进入xxx环境 
conda deactivate //关闭环境 
conda env list //显示所有的虚拟环境 
conda list //查看通过conda已经安装的文件包
conda install xxx //安装xxx文件包
conda update xxx //更新xxx文件包 
conda uninstall xxx //卸载xxx文件包 
conda search xxx //查询xxx文件包的版本 
pip list //查看通过pip已经安装的文件包
pip install xxx //安装xxx文件包
pip uninstall xxx //卸载xxx文件包 
pip search xxx //查询xxx文件包的版本 
pip install –U xxx //更新xxx文件包 

4.conda和pip换源(可选，创建环境之前完成)

​ 所谓换源，因为pip install或者conda install本质还是我们平常从网上下载视频或者图片，只不过这些命令帮我们省了很多步骤——包括选定安装位置和安装步骤等。

​ pip和conda默认从外国网站进行下载python包库，但是国内网站像清华、阿里等有相关包库可以下载。

如果是pip，需要在用户目录的pip目录：C:/user(用户)/用户名/pip/下找到pip.ini——没有的话自己创建一个。

然后选择以记事本方式打开，编辑如下内容：

[global]
timeout = 6000
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn

是不是特别像用户配置文件——.cfg？global是作用的section，option-timeout是超时限制、下方的就是说明我们从哪里下载包库。

如果是conda，一样的道理，同样的用户目录下找到这个文件：

编辑如下内容：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

这两个配置就是我目前用得比较稳定的配置，当然你也可以根据自己情况更改。

三.Cuda和CuDNN+安装gpu版本的pytorch

在这之前我们需要搞清楚这几者的关系：GPU、cuda、cudatoolkit、cudnn、pytorch(GPU版本)（我们一般都不用pytorch-cpu版本）。

GPU是计算机的专门处理图像的处理器，说到GPU就不得不提大名鼎鼎的英伟达公司了，一般如果一个电脑配置了英伟达的显卡GPU，都会带着一个驱动程序：

通过这个驱动程序可以管理你的GPU。

CUDA的话，你应该经常会听到“英伟达公司生产的某某显卡，配置了xxx个cuda单元”。cuda是英伟达生产的通用的并行计算的运算平台，可以解决复杂的计算问题。它就相当于是基于GPU的工作台，多个cuda负责完成各种计算。

cudatoolkit是简化版本的cuda，主要包含了编译器和一些科学库和实用程序。

cudnn可以理解为cuda and neural network，也就是cuda专门面向深度学习神经网络设计的cuda升级包。

pytorch-gpu没什么好说的，就是基于gpu的一个深度学习框架。

---

下面，我们来安装gpu版本的torch

---

1.查看可以安装的最高版本的cuda

进入英伟达驱动程序的界面。

查看显卡信息。

这里的NVCUDA64.DLL就说明了我们可以安装的cuda最高版本是11.4.112。

2.确定可以安装哪些cuda

使用conda search cudatoolkit命令查看安装源存在的cuda版本。

再打开pytorch官网查看对应的安装命令。我们就按照一个10.2版本的cuda。

torch以往版本对应查看：https://pytorch.org/get-started/previous-versions/

3.检测安装是否成功

安装好了进入python看一下能不能使用GPU。

使用torch包的cuda子模块的is_available函数可以检测cuda也就是GPU是否用上了。

tensorflow的cuda安装要麻烦一些，对于pytorch，博主在安装过程中是已经安装了cuda和对应cudnn，直接安装cudatoolkit就可以了。但是，目前有一种假设，只安装cudatoolkit就可以了，因为cudatoolkit就是简化版cuda，对于深度学习够用了。

目前我的这个猜想仅供参考，后续会更新博客。

da子模块的is_available函数可以检测cuda也就是GPU是否用上了。

tensorflow的cuda安装要麻烦一些，对于pytorch，博主在安装过程中是已经安装了cuda和对应cudnn，直接安装cudatoolkit就可以了。但是，目前有一种假设，只安装cudatoolkit就可以了，因为cudatoolkit就是简化版cuda，对于深度学习够用了。

目前我的这个猜想仅供参考，后续会更新博客。