在线备忘录
（一）在windows系统中使用Anaconda配置深度学习环境
- 在线备忘录
- 前言
- 正文
-
- 1.查看NVIDIA显卡支持的CUDA驱动版本
- 2.安装Anaconda
- 3.建立新的虚拟环境
- 4.安装Cudatoolkit，cuDNN及Pytorch
- 写在最后
前言
“在线备忘录”用于记录工作中遇到的部分技术问题，内容大多转载或整理自中文论坛博客，经个人二次加工形成，将尽量注明其直接出处。
由于时间、个人水平有限，且该备忘录主要目的为个人记录，因此该教程不一定适合没有接触过任命令行终端的新手，不详尽之处（some skips）请参考其他具体资料。
正文
1.查看NVIDIA显卡支持的CUDA驱动版本
打开NVIDIA控制面板（可搜索"NVIDIA Control Panel"），【系统信息】-【组件】，可看到NVIDIA驱动所支持的最高CUDA版本（即driver API版本），使用时版本取决于环境中的runtime(运行时) API版本。若没有驱动 ：https://www.nvidia.cn/Download/index.aspx?lang=cn
具体可参考该链接
https://developer.nvidia.com/cuda-toolkit-archive
如果还有游戏等用途，可以在NVIDIA官网下载CUDA，但是当只需要配置深度学习环境时使用anaconda安装pytorch/NVIDIA/…发布的cudatoolkit更方便，且可以切换不同版本（个人意见，欢迎指教）
2.安装Anaconda
（教程很多，此处略）
3.建立新的虚拟环境
打开Anaconda终端，在初始的base环境下创建虚拟环境。这里将虚拟环境名称设为test_env，python版本为3.8：
conda create -n test_env python=3.8
完成后显示：
查看所有环境，以检查虚拟环境是否已创建好：
conda env list
激活刚才建立的虚拟环境test_env，以在接下来使用pip/conda命令安装第三方库到该虚拟环境中（附：如果不使用wheel文件安装就不用关心其路径）：
conda activate test_env
附：退出虚拟环境：
conda deactivate
附：删除虚拟环境使用conda remove -n [env_name] –all 参数不一定对，可以使用：
conda env remove --name [env_name]
4.安装Cudatoolkit，cuDNN及Pytorch
由于需要综合考虑python，pytorch，cudatoolkit与cuda驱动之间的关系，方便起见可以直接在torch或者anaconda官网上找torch库的安装命令。这里以torch官网的操作为例：
选好操作系统等参数后，点击button查看其他版本。
以torch1.8.0为例，使用该命令安装torch，将自动安装带有cudatoolkit（11.1），torchvision等组件：
将该命令复制到终端，执行：
（这里显示failed的原因可能与镜像失效有关吧，欢迎指教）
输入y以继续安装（当然倒回来检查一下路径和哪些依赖库总是一个好习惯）
之后还需安装cuDNN，否则此步骤完成后torch库的计算只能在CPU上运行，与GPU无关。
参考这里
可到NVIDIA-cudnn找与cudatoolkit一致的cuDNN版本（链接）（需要注册）。若可直接安装，则忽略下步。
注：下载wheel离线安装速度较快较稳定
在anaconda仓库上找该版本的cuDNN进行安装（从NVIDIA下载安装文件并配置比较麻烦教程）。
（Anaconda一般不需要注册，直接搜索第三方库名cudnn和版本号即可）
同样在终端运行以上命令，以安装cuDNN：
最后检查是否可用cuda加速计算：
法一：输入nvcc --version：
法二：依次执行：
python
import torch
torch.cuda.is_available()
torch.cuda.device_count()
exit()
环境配置成功。
若false，使用conda list命令可查看版本详细信息（如误装torch-cpu版）
参考
写在最后
本过程在win10（64），anaconda on win32， conda = 4.12.0，cuda driver = 11.4亲测可用，linux系统除安装anaconda不一样以外其他步骤基本相同。
本文仅供参考。