(超详细)搭建深度学习环境【Anaconda+Pycharm+NVIDIA 显卡驱动+PyTorch(含GPU版)+CUDA+cuDNN+win10】+ 配置系统环境变量

不要盲目一下子就跟着做哦，先从头到尾看一遍哦，合适再来！或者多参考一下很多大佬的！ 

前言

        Anaconda+PyCharm+NVIDIA显卡驱动+PyTorch（含GPU版）+CUDA+cuDNN 这种组合就像是一个强大的“开发工具箱”，每一个部分都有其独特的功能，但当它们组合在一起时，它们能够协同工作，使深度学习和其他计算密集型任务变得更加高效和容易。

        这些软件之间的协同工作可以视为一个高效的“深度学习生产线”，每个环节都扮演着不可或缺的角色，共同推动深度学习任务的高效完成。

        首先，Anaconda作为这个生产线的“基础平台”，为整个环境提供了稳定且强大的Python支持。它确保了所有需要的Python包（如NumPy、Pandas等）都能得到妥善管理，并通过conda这个包和环境管理器，帮助用户创建和切换不同的工作环境，确保不同项目之间的依赖关系不会相互干扰。

        接着，PyCharm作为“开发车间”，提供了强大的代码编辑、调试和测试功能。开发者可以在这个舒适的界面中编写、调试和优化Python代码，确保深度学习模型的逻辑正确和性能优化。

        而NVIDIA显卡驱动则是这个生产线的“动力源泉”。它确保了显卡能够正常工作，并与操作系统及其他软件无缝对接。对于深度学习任务来说，显卡的计算能力至关重要，而显卡驱动就是激发这种能力的关键。

        PyTorch（含GPU版）则是这个生产线的“核心生产线”，负责构建和优化深度学习模型。GPU版本的PyTorch能够充分利用显卡的并行计算能力，显著加速模型的训练和推理过程。在这里，模型的结构、参数以及训练过程都由PyTorch精心管理。

        CUDA和cuDNN则像是生产线上的“高级技工”。CUDA提供了与显卡通信的接口，使得PyTorch能够调用显卡进行计算。而cuDNN则针对深度学习中常见的基本操作进行了优化，为PyTorch提供了更加高效的计算工具。这两者的协同工作，使得深度学习任务能够更快地完成。

        在整个协同工作的过程中，这些软件之间的数据流动是无缝的。PyTorch构建的模型可以在PyCharm中进行调试和优化，然后通过CUDA和cuDNN在显卡上进行高效的计算。而Anaconda则确保了整个过程中Python环境的稳定和一致。

        总的来说，这些软件之间的协同工作构成了一个高效、稳定的深度学习开发环境，使得开发者能够更轻松、更高效地进行深度学习任务的开发和实验。

一、安装Anaconda3并配置环境

1.这是我安装Anaconda的教程

链接：Anaconda3 安装教程-CSDN博客

2. 这里有详细安装环境为python3.7的教程，用于传统机器学习

链接：Anaconda3+Pycharm 搭建深度学习环境；安装不同框架；配置两个环境；Anaconda配置国内镜像源-CSDN博客

3. 配置python3.8版本的环境

3. 但目前，项目需要python3.8 ，因为python3.8用于承载pytorch的稳定性相对于其它版本较为良好，所以这里附上我安装python3.8环境的详解，我的环境名为yolo

3.1 默认已经安装好Anaconda后，开始菜单找到“Anaconda Prompt(Anaconda)”打开它

3.2 创建新环境，这里yolo是我的环境名字，取啥名任意哈各位~；

conda create --name yolo python=3.8

3.3 输入“y”后，回车确认；

3.4 验证是否创建成功；

conda env list  # 查看所有环境

3.5 输入下面指令，回车确认，激活你的环境；

conda activate yolo  # 激活环境你的环境

3.6 接下来就是我们 PyTorch框架的安装了，但如果是要跟我一样要跑数据集的，那么~，需要安装GPU版的，那么~，建议按照我下面的步骤走，不要急着安装新版的，因为每个项目适应的版本不一样~

二、安装Pycharm

这是我安装的教程链接：Pycharm安装教程-CSDN博客

三、安装Nvidia显卡驱动

        可以先查看自己电脑显卡驱动的版本，在这里我安装驱动之前，我先查看我电脑的驱动（在下面2.3.1就是），不会查看的朋友可以看下面的《2. 验证是否成功安装好驱动》。

在这里先介绍一下

        安装新版NVIDIA显卡驱动对于运行数据集来说是非常重要的，原因主要有以下几点：

        首先，显卡驱动是显卡与计算机操作系统之间的接口，它使得显卡能够正常工作并发挥其应有的性能。当你运行一个数据集时，尤其是涉及图形处理或深度学习等计算密集型任务时，显卡的性能至关重要。因此，安装最新版的显卡驱动可以确保显卡与操作系统之间的兼容性，从而提供最佳的性能和稳定性。

        其次，新版显卡驱动通常会修复旧版本中的一些错误和漏洞，提升显卡的性能和稳定性。这意味着在运行数据集时，新版驱动能够更有效地利用显卡的资源，减少出错的可能性，并提升计算速度。

        此外，随着技术的发展和新的算法、技术的出现，新版显卡驱动还可能支持新的特性和功能。这些新特性可能有助于更好地处理数据集，提高计算效率，或者为开发者提供更多的灵活性和选择。

        综上所述，安装新版NVIDIA显卡驱动可以确保显卡与操作系统的兼容性，提升显卡的性能和稳定性，并可能支持新的特性和功能，从而有助于更好地运行和处理数据集。

1. 安装对应自己电脑的驱动

1.1 官方链接：官方驱动 | NVIDIA；

1.2 首先要在设备管理器中查看你的显卡型号；

1.3 在设别管理器中可以看到我们设备的显卡型号啦^_^

1.4 在官网上找自己的显卡型号系列；

        根据自己的电脑的配置去选择驱动。这里Notebooks是笔记本的意思，所以如果你是笔记本电脑，那么产品系列那个选项就要选择（Notebooks）的。还有那个下载类型有两种一个是Studio版本，一个是Game Ready版本。其实两个版本都差不多，一个是偏办公用，一个是偏游戏娱乐。按如下操作将驱动下载下来。

1.5 驱动程序下载，点击下载即可；

1.6 默认安装位置就好，不建议安装到别的盘里； 

1.7 执行下一步吧； 

1.8 第一次安装，默认精简吧； 

1.9 在这里我就不创建桌面快捷方式了，按个人所需勾选吧； 

2. 验证是否成功安装好驱动

2.1 使用快捷键windows+r，输入cmd

2.2 输入以下代码

nvidia-smi

2.3 出现下面的信息说明安装成功

来来来，让我们做个对比

2.3.1 这是我电脑没安装更新的驱动配置图片

2.3.2 这是安装完上面的驱动后的图片

        如下图的信息图，可以看到驱动的版本是552.22；最高支持的CUDA版本是12.4版本。知道下面的信息就可以知道我们电脑最高适配程度，但要注意低版本的Pytorch是否向上支持更高版本的CUDA，也就是说要看我们需要的项目支持的Pytorch版本再来安装对应的CUDA，例如在下面的顺序里 3. YOLO里支持的Pytorch版本！！！！

3. YOLO里支持的Pytorch版本

3.1  YOLOv5支持的Pytorch版本

        这里先浅浅看一下，后面有专门的讲解如何下载github项目即YOLOv5项目克隆

四、Pytorch与CUDA版本对应关系汇总

1. pytorch与cuda版本关系

2. cuda 与 cudnn关系

3. pytorch 与 python关系

五、安装CUDA

1. 从nvidia官网下载cuda11.1 

这里我放百度网盘链接安装包，有需要的朋友自己取哦^_^

链接：https://pan.baidu.com/s/1-6Hbfi-pC_f8pSevX65xIQ?pwd=1234 
提取码：1234 
--来自百度网盘超级会员V5的分享

1.0 这是官网链接：CUDA Toolkit Archive | NVIDIA Developer

1.1 按照下面红色框框依次点击，最后点击下载；

1.2 下载完后，双击运行，最好默认安装位置；

1.3 点击“继续”；

1.4 还是“同意”；

1.5 这一步选择“自定义”，再点击“下一步”；

1.6 取消勾选“Visual Studio Integration”后，点击“下一步”；

1.7 点击“下一步”；

1.8 点击 “下一步”

1.9 点击“关闭”， 就安装完成了！

六、安装cuDNN

1. 从nvidia官网下载cuDNN v8.0.4

这里我放百度网盘链接安装包，有需要的朋友自己取哦^_^

链接：https://pan.baidu.com/s/1bnBmgncp9Ha659bT9ThaxA?pwd=1234 
提取码：1234 
--来自百度网盘超级会员V5的分享

1.1 这里是官网地址：cuDNN Archive | NVIDIA Developer 

1.2 点击它下载是一个压缩包，如果第一次下载的朋友需要输入邮箱登录，登录即可，登录后还是下载不了，不要慌~，再重新进一下网站，再点击下载即可！

2. 第一步先解开压缩包，再替换CUDA里的文件

2.1 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1，这是我的默认CUDA安装位置路径。如果也是默认安装，那么我们的位置存放都差不多，可以按我的路径找一下文件夹。

2.2 勾选下面的“为所有当前项目执行此操作”，再点击“继续”，即可；

3. 配置系统环境变量 

3.1 在桌面“此电脑”，鼠标右键，选择“属性”；

3.2 打开后，鼠标滚轮直接向下划到底，点击“高级系统设置”；

3.3 选择“环境变量”， 就可以在系统变量那里看到我们安装好的CUDA了；

3.4 在系统环境变量下面鼠标下滑找到“Path”，双击打开；

记住自己的CUDA存放位置：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1

3.5 点击“新建”，添加环境变量，依次新建五次，添加五次；

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\CUPTI\lib64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1\bin\win64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1\common\lib\x64

3.6 下图是添加完后的样子，点击“确定”；

如果出现【Path环境变量“此环境变量太大, 此对话框允许将值设置为最长2047个字符”问题】那么也可以解决，直接在注册表修改，不会的可以参考一下我推荐的

链接：此环境变量太大, 此对话框允许将值设置为最长2047个字符（一招帮你解决，亲测有效）-阿里云开发者社区 (aliyun.com)

4. 重启电脑，使环境变量配置生效！

5. 验证是否安装成功CUDA和cuDNN

5.1 使用系统快捷键Windows+r，输入cmd，输入切换路径：cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\demo_suite

# 切换路径
cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\demo_suite
 
# 依次输入
bandwidthTest.exe
 
deviceQuery.exe

5.2 再依次输入bandwidthTest.exe、deviceQuery.exe，每次都出现‘Pass’则成功。

七、安装Pytorch（GPU版本）

1. 官网查询

找到对应自己需要的版本

网址：Previous PyTorch Versions | PyTorch

2. 由于项目需要，我安装的是torch 1.8版本

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

2.1 打开“Anaconda Prompt (Anaconda3)”，首先切换上面我们创建好的环境，在输入我们上面查询的；

2.2 这是安装好之后的模样~

八、在 pycharm验证配置是否成功

我比较喜欢跑代码验证，所以可以直接在pycharm里面验证（提示：上面有我安装pycharm的教程）

1. 新建文件夹，鼠标右键用“pycharm”打开

或者直接在pycharm新建项目都可以；

2. 打开后，首先在pycharm里配置我们的深度学习环境

2.1 “setting”

2.2 按照下面的步骤，在第三步那里点击小齿轮就出现“Add”啦 ^_^ 

2.3 紧跟下面步骤走哦； 

2.4 先点击“apply” ，再“确定”，这样我们就配置后我们需要的环境啦

2.5 创建一个python文件； 

2.6 任意取名~ 

3. 输入代码

# 导入PyTorch库
import torch
 
# 打印可用的GPU设备数量
print(torch.cuda.device_count())
 
# 打印是否可以使用CUDA，即是否可以在GPU上运行计算
print(torch.cuda.is_available())
 
# 打印torch的版本
print(torch.__version__)
 
# 打印是否可以使用cuDNN，这是一个用于深度神经网络的库，它提供了优化的计算和内存访问模式
print(torch.backends.cudnn.is_available)
 
# 打印CUDA的版本号
print(torch.cuda_version)
 
# 打印cuDNN的版本号
print(torch.backends.cudnn.version())

4. 成功界面 ^_^ 

九、下载github项目-YOLOv5项目克隆

1. 内容太多了，放到另外的CSDN里啦 ^_^

链接：部署YOLOv5项目的工作空间----以及如何下载github项目-CSDN博客