保姆级教程：Windows 下配置深度学习环境

0 写在前面

保姆级教程！没有比这篇更详细的了。整整两天，各种踩坑！超长预警！

1 安装 Anaconda

1.1 Anaconda 是什么

• Anaconda 包括 Conda、Python 以及一大堆安装好的工具包，比如：numpy 、pandas 等

• 它是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换

• 简而言之，有了它，我们安装 python 的各个第三方模块时，省时省力！

1.2 下载 Anaconda

• 下载链接：Anaconda | The World's Most Popular Data Science Platform
• 最新版的默认为 python 3.9 版本

1.3 安装 Anaconda

• 双击运行软件，依次点击【Next】、【I agree】

• 选择【All User】，点击【Next】，自定义安装路径，选择【Next】

  

• 自定义安装的路径，我这里选择 E:\PROGRAM_PATH\Anaconda_Path\ ，然后点击【Next】

• 出现下方界面，两个选项都选，点击【Install】，等待安装完成

  

• 安装结束后，一直点击【Next】，最后一个界面，两个都取消勾选，点击【Finish】

  

1.4 检验安装

• 在 Windows 程序里找到如下应用（也可以直接搜索），点击打开

  

• 打开 Anaconda Prompt 后 ，输入下述命令，回车后出现如下界面，表示环境变量配置成功！可以直接跳到步骤 2 ，进行 CUDA 的安装。若没出现，请继续进行步骤 1.5 ，手动添加环境变量

# 查看 Anaconda 版本
conda -V
# 查看 python 版本
python

1.5 添加环境变量

• 打开刚才安装 Anaconda 的目录，比如我这里是 E:\PROGRAM_PATH\Anaconda_Path\Anaconda ，将其假设命名为 PATH_A

• 点击电脑桌面左下角的搜索，输入 “环境变量”，点击 【编辑系统环境变量】，出现如下界面，点击 【环境变量】

  

• 双击下方 【系统变量】中的 Path 一栏

  

• 出现如下界面后，点击 【新建】，依次新建如下几个目录

  

• 环境变量添加完成，依次点击两个窗口的 【确定】， 一定记得点击确定，不然等于没添加！

2 安装 CUDA

2.1 CUDA 是什么

• CUDA 全称 Compute Unified Device Architecture ， 是 NVIDIA 发明的一种并行计算平台和编程模型。它通过利用 GPU 的处理能力，可大幅提升计算性能
• 简而言之，安装它就是为了跑模型的时候充分调用 GPU 的算力

2.2 查看是否有 NVIDIA 控制面板

• 桌面右键，选择【NVIDIA控制面板】

  

• 此处可能会有两种情况

  • 有这个选项，恭喜你，你可以跳过步骤 2.3 ，直接进行步骤 2.4
  • 没有这个选项，那么很不幸，和我一样，需要去安装【NVIDIA控制面板】，依次按照步骤往下

2.3 安装 NVIDIA 控制面板

至于这个安装，有两种方式（ 强烈推荐方式二，不推荐方式一！！！，要是喜欢自己折腾可以尝试第一种）

2.3.1 方式一

• 先进入 官方 GeForce 驱动程序 | NVIDIA ，选择自己对应的电脑系统、显卡型号，比如我系统是 Windows 10_x64 ，显卡是 GTX 1650ti

  

• 选择好之后，点击【开始搜索】，然后傻瓜式下载即可

• 下载好之后就是安装了，这玩意装起来可能有点麻烦，可能会出现安装失败的情况（反正我当初安装这玩意，折腾了一下午愣是没搞上）

• 我起初是第一种安装方式，最后屈服了，用了第二种装上了......

• 至于具体安装步骤，【右键管理员运行】下载的安装包，然后不断点击【下一步】或者【同意】即可，配置什么的都是默认就行

• 运气好的话，一次成功（吸一吸欧气），不好的话...... 换第二种方式吧.......

2.3.2 方式二

• 在我尝试了好几个 “大名鼎鼎” 的 “下崽器” （比如某精灵、某人生......），最终选择了大厂 “360”（对，就是广告多，其他都还好，毕竟我们安装之后就把它卸载了）
• 这里我选择了 360驱动大师 ，下载【轻巧版】，下载好之后，傻瓜式安装即可（建议安装在 C 盘之外的盘）
• 安装好之后，就会有一大波友好软件......，这不重要，继续我们的步骤
• 打开安装好的驱动大师，点击【驱动检测】，他会检测出来你电脑上缺少的驱动，别的不管，只选择安装【显卡驱动】，安装过程中电脑会重启一次，重启之后等一会会自动弹出（不弹出的话，重新运行驱动大师）【NVIDIA控制面板】安装界面，然后什么都是默认，无脑【下一步】即可安装（应该不会再次失败了，若还是失败，请问度娘）
• 安装好之后，桌面右键，应该就会出现【NVIDIA控制面板】选项了，不出现的话用 Windows 自带的搜索工具搜索即可
• 最后的最后，记得卸载那一大批 “友好软件”，特别别忘了卸载那个什么 “CPU温度监控的”，这玩意运行起来，CPU 占用 100% ......

2.4 查看显卡驱动版本

• 回归正题，桌面右键，选择【NVIDIA控制面板】打开

  

• 选择【帮助】、【系统信息】

  

• 在弹出来的面板中，就可以看到自己显卡对应的驱动版本（我的就是 451.48 ），记住自己的版本号

  

• 去 Release Notes :: CUDA Toolkit Documentation 找到自己显卡驱动对应的 CUDA 工具包版本（我的显卡驱动版本号是 451.48 那么我对应的 CUDA 工具包版本就是 CUDA 11.0.2 GA ），图我已经找来了，如下：

  

2.5 下载 CUDA 工具包

• 我应该下载的 CUDA 版本是 11.0.2 GA ，但是这里建议选择高一点的版本，比如 11.3 （别问为什么，血的教训，两天时间白装了，就因为版本号不对）
• 进入搜索引擎，输入下方文字（将 11.3 换为你自己应该下载的工具包版本号），点击搜索

// 后方加上 site:developer.nvidia.com，是防止进入别的网站
CUDA 11.3 Download site:developer.nvidia.com

• 搜索出来的结果中，一般为第一个，选择图标是英伟达的，搜索结果和我类似的链接点进去

• 如果搜索结果正确，进来后应该是这样的界面

  

• 然后点击 Windows ，会出现很多选项，按照自己的需求选择，最后一项选择 local ， 然后点击 Download ，耐心等待下载完成，大概十多分钟的样子

  

2.6 安装 CUDA 工具包

• 右键【管理员身份运行】下载的安装包，临时解压路径选择默认，点击【OK】，等待自动解压完成，安装结束后会自动删除，千万不要和 CUDA 安装路径一样，否则会找不到文件！

  

  

• 点击【同意并继续】

  

• 选择【自定义】，然后点击【下一步】

  

• 默认安装全部组件，点击【下一步】

  

• 这里要选择安装位置，我建议默认安装到 C 盘系统盘，毕竟有关系统的东西，别的盘可能会不小心删掉，按照自己意愿选择即可，然后点击【下一步】

• 这里的 CUDA 工具包安装位置，不管是自己选择的还是默认的，都要记好，后续步骤会用到！！！

  

• 勾选同意协议，点击【Next】，然后开始自动安装，等待安装完成，大概两三分钟

  

  

• 安装结束后，出现如下界面，点击【下一步】

  

• 可以看到，已经安装了很多 CUDA 工具包，下面两个选项不要勾选，然后点击【关闭】

  

2.7 验证安装

• 打开 cmd 命令行，输入 nvcc -V （注意，最后的 V 是大写），然后回车，出现如下界面，证明 CUDA 工具包已经安装成功

  

2.8 添加环境变量

• 与步骤 1.5 类似，打开 Windows 的环境变量配置界面，依次在 Path 栏目添加以下条目

//若是和我一样，选择的默认的安装路径，直接将下面的四个路径依次添加即可
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\libnvvp

• 就是将你的 CUDA 安装路径中的以下四个文件夹所在的路径依次添加进系统环境即可

  

• 添加好之后如下图所示，最后 一定记得点击确定！保存！

  

3 安装 cuDNN

3.1 cuDNN 是什么

• NVIDIA cuDNN 是用于深度神经网络的 GPU 加速库
• 它强调性能、易用性和低内存开销
• NVIDIA cuDNN 可以集成到更高级别的机器学习框架中，如谷歌的 Tensorflow 、Python 的开源机器学习库 PyTorch 等
• 简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU 上实现高性能现代并行计算

3.2 选择 cuDNN 版本

• 进入 NVIDIA 官网：NVIDIA Developer Program Membership Required，根据自己刚才安装的 CUDA 工具库的版本号，选择对应的 cuDNN 版本号

• 首先需要登录自己的英伟达账号，如果没有注册一个（可能需要魔法上网），这里具体步骤不再赘述

  

• 我已经有账号，所以点击【Login】登录即可

• 登陆之后，出现如下界面，按照自己的信息选择即可

  

• 填写完成之后，点击末尾的【Submit】提交

  

• 选择【同意协议】，选择与自己的 CUDA 版本对应的 cuDNN 下载即可，这里我的 CUDA 为 11.3 版本，因此下载 8.2.1 即可

• 若没找到自己的 CUDA 版本号，点击下方的 [Archived cuDNN Releases] ，即可查看所有的资源

  

• 找到对应的资源，点击该资源，出现如下界面，我这里选择 Winodws ，点击对应链接下载即可（国外嘛，速度你懂得）

  

3.3 安装 cuDNN

• 将上一步下载的安装包解压，会得到以下文件

  

• 打开你的 CUDA 工具包安装位置，我因为安装的时候设置的默认，所以路径为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3

• 【重要！！！】将 cuDNN 文件夹中的文件全部拷贝到 CUDA 对应的同名文件夹下（注意！不是替换文件夹！是将同名文件夹下的文件全部拷贝过去！）

  

• 有个小细节，复制 lib 文件夹下文件时，你会发现 CUDA 的安装目录打卡后有两个文件夹 Win32 和 x64 ，因为我的电脑是 64 位，因此我这里选择 x64 文件夹

  

4 安装 PyCharm

• 既然要搞深度学习，没有一个趁手的代码编写工具肯定是不行的，市面上的 Python 代码编写工具有很多，我这里选择大家耳熟能详的 JetBrains PyCharm
• 关于它的安装、激活等等步骤，这里不多赘述，具体教程参考网站 软件SOS

5 安装 PyTorch

• 打开 PyTorch 国外官网 ，往下拉，找到 cu 开头的文件，这里解释一下文件名的含义

  • cu113 表示 CUDA 版本为 11.3 ，类似的，10.2 版本为 cu102
  • cp39 表示 Python 版本为 3.9 ，类似的，3.8 版本为 cp38
  • win_amd64 表示的就是 64 位的 Windows 版本了
  • 根据自己的信息找到对应的版本

  

• 一共要下载两个文件，分别是 torch 和 torchvision ，两个文件只是文件名不同，其余的版本号均应相同，慢慢下载吧，慢的一批

  

//以我的为例

//文件一 torch
torch-1.10.0+cu113-cp39-cp39-win_amd64.whl
    
//文件二 torchvision
torchvision-0.11.0+cu113-cp39-cp39-win_amd64.whl

• 我的两个文件下载保存路径分别为

//torch
E:\torch-1.10.0+cu113-cp39-cp39-win_amd64.whl
    
//torchvision
E:\torchvision-0.11.0+cu113-cp39-cp39-win_amd64.whl

• 注意！！！一定要先安装 torch 文件，后安装 torchvision ，否则 pip 会给你重新下载一个新的 troch 进行覆盖！！！

• 依次运行下面两行命令

pip3 install E:\torch-1.10.0+cu113-cp39-cp39-win_amd64.whl		//先运行它

pip3 install E:\torchvision-0.11.0+cu113-cp39-cp39-win_amd64.whl	//后运行它

• 先安装第一个 torch 文件，命令行输入之后，出现 Successfuly ... 证明安装成功

  

• 然后安装第二个文件 torchvision ，命令行输入之后回车，同样的，出现 Successfuly... 表示安装成功

  

6 检验环境

• 上述步骤都完成之后，打开 PyCharm 编辑器，新建一个 python 工程

• 左上角依次点击【File】、【New Project】

  

• 在弹出的界面依次选择 Pure Python ，即建立的项目为纯 python 工程

• 右边的 Location 是你项目创建的路径

• 下面的 Project Interpret 选择第二项

  

• 点击右边的三个点，选择 Python 解释器

  

• 在弹出的框中，先选择左边第三项，然后点击右边的三个点

  

• 在弹出的界面中，选择第一步中你的 Anaconda 安装路径中 python.exe 所在路径 ，比如我的是 E:\PROGRAM_PATH\Anaconda_Path\python.exe ，选择好之后，点击右下角的【OK】

  

• 然后可以发现，已经为这个项目创建了解释器（我也不晓得这里为啥显示的 Python 3.8 ，但是确实是 3.9 没错 ），点击右下角的【Create】

  

• （有概率）又会弹出一个框，问你在该窗口创建还是新窗口创建，这里我选择【This Window】，等待项目相关依赖索引结束

  

• 右键工程文件夹，选择【New】，选择【Python File】

  

• 在弹出的框中输入文件名，例如 test ，回车，test.py 已经创建

  

• 在该文件中输入如下代码

import torch
import sys

print("Python version is ", sys.version)
print("PyTorch version is ", torch.__version__)
print("CUDA Version is ", torch.version.cuda)
print("cuDNN version is ", torch.backends.cudnn.version())

• 在主界面右键，选择运行 test.py

  

• 控制台打印出以下信息

  

• 点击 Pycharm 左下角的 【Terminal】，输入命令 conda -V ，回车，输出了 Anaconda 版本号

  

• 根据我们实际安装的版本和打印出的版本对比

  环境名称	安装版本	输出版本	是否一致
  Python	3.9.7	3.9.7	一致
  Anaconda	4.10.3	4.10.3	一致
  CUDA	11.3	11.3	一致
  cuDNN	8.2.1	8.2	一致
  PyTorch	1.10.0+cu113	1.10.0+cu113	一致

  恭喜！ Windows 下的深度学习环境配置完成！尽情开发吧！