引言

Windows环境下深度学习环境配置

0 前置环境

# 安装git
sudo apt install git

# 配置git
git config --global user.name 'your name'
git config --global user.email 'your email'

# 安装miniconda(需重启)
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh #下载
sh Miniconda3-latest-Linux-x86_64.sh  #执行安装文件
sudo rm Miniconda3-latest-Linux-x86_64.sh  #删除安装文件
conda update -n base -c defaults conda

1 简单安装

该方法的方案是使用conda + conda cudatoolkit + pytorch的方案
- 该方案会使显存占用过高(可能是没有安装nvidia的nsight模块导致的)

# 配置Tensorflow，并使用conda创建自带cuda和cuDnn的虚拟环境
conda create -n tf-gpu tensorflow-gpu  #安装最新TF，自动配置合适的cuda和cudnn

# 配置Pytorch，并使用conda创建自带cuda和cuDnn的虚拟环境
conda create -n pyt #创建环境，命名可自定义
conda activate pyt #进入pyt虚拟环境
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch  #选择合适的参数

# PS：建议首先conda install cudatoolkit查看适合的cudatoolkit版本随后下载指定版本的pytorch
conda install cudatoolkit   # 查看cudatoolkit版本，但不安装
# 随后选择合适的版本下载，注意下载GPU版本
https://download.pytorch.org/whl/torch_stable.html
# 随后 pip install 安装指定文件
# 随后 安装cudatoolkit和cudnn
conda install cudatoolkit cudnn

2 完整安装(推荐)

# (0)安装前检查
# 1. 检查nvidia支持的cuda版本, 在bash中输入以下命令检查cuda版本，若cuda版本过低，则升级显卡驱动
nvidia-smi
# 2. 随后在pytorch官网查看支持的cuda版本,https://pytorch.org/get-started/locally/
# (1)安装cuda
# 1. 下载安装合适的nvidia的cuda版本,https://developer.nvidia.com/cuda-toolkit-archive寻找合适的版本,参考官网的安装命令

# 参考官网样例：安装cuda 11.7
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda-repo-ubuntu2204-11-7-local_11.7.1-515.65.01-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2204-11-7-local_11.7.1-515.65.01-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2204-11-7-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda

# 2. 添加环境变量，在bash中输入命令以打开bashrc文件
gedit ~/.bashrc
# ------在文件的最后添加以下命令
export PATH=/usr/local/cuda-11.7/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

# (2)安装合适的cudnn
# 1 在官网下载合适的cudnn版本,需要nvidia账户,https://developer.nvidia.com/rdp/cudnn-archive
# ------推荐下载(Local Installer for Linux x86_64 (Tar))的tar压缩文件
# 2 解压缩文件
tar -xvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz
# 3 复制文件到cuda目录
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include 
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64 
chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
# 4. 添加环境变量，在bash中输入命令以打开bashrc文件
gedit ~/.bashrc
# ------在文件的最后添加以下命令
export LD_LIBRARY_PATH=/usr/local/cuda-11.7/targets/x86_64-linux/lib${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

# (3) 在conda对应的环境中安装pytorch
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

Ubuntu深度学习环境配置

引言

0 前置环境

1 简单安装

2 完整安装(推荐)