引言

Windows环境下深度学习环境配置

配置深度学习

在Windows环境下配置深度学习环境
- 首推conda + pytorch + Nvidia cudatoolkit的方案，在深度学习的项目运行时pytorch占用的显存小
  - 在安装时选择cuda下的所有内容安装
  - 重启根据pytorch官网的内容进行安装
- 其次conda + pytorch + conda cudatoolkit的方案，在深度学习的项目运行时pytorch占用的显存较大

# (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
# -----安装时全选cuda下的内容(重要)

# 2. 添加环境变量(系统path)
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.6\bin\win64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.6\common\lib\x64
C:\Program Files\NVIDIA Corporation\Nsight Compute 2022.1.1\

# (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
# 2 解压缩文件
# 3 复制文件到cuda目录(C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6)
# -----直接将cudnn下的文件夹复制到该路径下(windows会自动合并)

# (3) 在conda对应的环境中安装pytorch
conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia

# 在cmd下检查安装cuda是否成功
nvcc -V
# 在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\demo_suite路径下使用powershell检查安装cudnn是否成功
bandwidthTest
deviceQuery

Windows深度学习环境配置

引言

配置深度学习