深度学习环境安装(anaconda、pycharm、cudn、cudnn、pytorch)

简介: 深度学习环境安装(anaconda、pycharm、cudn、cudnn、pytorch)

1.简介

深度学习环境安装(anaconda、pycharm、cudn、cudnn、pytorch),下文软件安装过程中,流程都是点击下一步,出现需要选择的都插入图片进行提示。


2、显卡驱动

2.1cudn安装

进入pytorch查看cuda支持的版本,如下图所示:


45711b2c8e2518ed70a98fb541e69ac8.png


下载cudn,进入发现版本是12.1不符合,点击箭头处,进入曾经版本下载,如下图所示:


3f23251e55fe1fb8eb8b0563b2ed896b.png


选择合适的版本点击进入,如下图所示:


9e9e0fd4e2d6923ea11f1c1f2ab353c3.png


安装系统要求进行选择如下所示:


8fb536641f6bc5602698206b4864941b.png


2.2 cudnn安装

下载cudnn:


deba7ecce5afac1f96b5d08d6a8ff241.png


选择合适的版本,如下图所示:


dec16c767d22293d2e3e588db29f58b9.png


选择合适的系统下载,如下图所示:


393ce8fd79fee540c60bc8d483e11d73.png


分别找到cudn安装路径,cudnn解压的路径,将cudnn三个子文件分别对应安装到CUDN文件中:


2b38e3cda67467d4dd7b59784cd3eb20.png

fe1db1eca0ccd9ea743a4be66e835eb6.png


找到环境变量-系统变量-path,分别将如下三个变量添加进去,完成安装。


873c3868f94a3bacf6e3b69b7169af1c.png


2.3 检查cudn、cudnn是否安装成功

首先win+R进入CMD,在命令行输入nvcc -V,如下图所示,出现红框内容,证明cudn安装无误。


c4bd62f7d1a21f22bcf012eb65084916.png


进入到cuda的安装路径,C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite,找到如下两个.exe文件,分别运行:


79864411ec3fbb694e2e0477c951de0d.png


3、 Anaconda安装

Anaconda下载


cc87f897006ce28e5c0c5594b45af89b.png

09f908dc8f69af051edf4a78d0912c11.png

dde9a561541c70bb9c08f1c4706e55b6.png


4、 pycharm安装

pycharm下载


f49e55478225aedd11f0b487d08b042c.png

cf945d83db74a9c5d580623ff5b83416.png

50a16da330ce1deb94557e4952d3f933.png


5、pytorch安装

1、查看对应版本


75e621a95d47e074d703643bc4f3d25f.png


2、终端安装

复制红框区域代码,在终端进行安装


3、检测

新建python文件,复制如下代码:

import torch # 如果pytorch安装成功即可导入
print(torch.cuda.is_available()) # 查看CUDA是否可用
print(torch.cuda.device_count()) # 查看可用的CUDA数量
print(torch.version.cuda) # 查看CUDA的版本号

运行如下所示:


相关文章
|
7天前
|
机器学习/深度学习 数据可视化 算法
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
神经常微分方程(Neural ODEs)是深度学习领域的创新模型,将神经网络的离散变换扩展为连续时间动力系统。本文基于Torchdyn库介绍Neural ODE的实现与训练方法,涵盖数据集构建、模型构建、基于PyTorch Lightning的训练及实验结果可视化等内容。Torchdyn支持多种数值求解算法和高级特性,适用于生成模型、时间序列分析等领域。
134 77
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
|
4月前
|
PyTorch Linux 算法框架/工具
pytorch学习一:Anaconda下载、安装、配置环境变量。anaconda创建多版本python环境。安装 pytorch。
这篇文章是关于如何使用Anaconda进行Python环境管理,包括下载、安装、配置环境变量、创建多版本Python环境、安装PyTorch以及使用Jupyter Notebook的详细指南。
482 1
pytorch学习一:Anaconda下载、安装、配置环境变量。anaconda创建多版本python环境。安装 pytorch。
|
4月前
|
并行计算 PyTorch TensorFlow
Ubuntu安装笔记(一):安装显卡驱动、cuda/cudnn、Anaconda、Pytorch、Tensorflow、Opencv、Visdom、FFMPEG、卸载一些不必要的预装软件
这篇文章是关于如何在Ubuntu操作系统上安装显卡驱动、CUDA、CUDNN、Anaconda、PyTorch、TensorFlow、OpenCV、FFMPEG以及卸载不必要的预装软件的详细指南。
6352 3
|
3月前
|
机器学习/深度学习 监控 PyTorch
深度学习工程实践:PyTorch Lightning与Ignite框架的技术特性对比分析
在深度学习框架的选择上,PyTorch Lightning和Ignite代表了两种不同的技术路线。本文将从技术实现的角度,深入分析这两个框架在实际应用中的差异,为开发者提供客观的技术参考。
73 7
|
4月前
|
机器学习/深度学习 算法 PyTorch
深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现
这篇文章详细介绍了多种用于目标检测任务中的边界框回归损失函数,包括IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU和WIOU,并提供了它们的Pytorch实现代码。
593 1
深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现
|
4月前
|
PyTorch TensorFlow 算法框架/工具
Jetson环境安装(一):Ubuntu18.04安装pytorch、opencv、onnx、tensorflow、setuptools、pycuda....
本文提供了在Ubuntu 18.04操作系统的NVIDIA Jetson平台上安装深度学习和计算机视觉相关库的详细步骤,包括PyTorch、OpenCV、ONNX、TensorFlow等。
240 1
Jetson环境安装(一):Ubuntu18.04安装pytorch、opencv、onnx、tensorflow、setuptools、pycuda....
|
4月前
|
机器学习/深度学习 算法 数据可视化
如果你的PyTorch优化器效果欠佳,试试这4种深度学习中的高级优化技术吧
在深度学习领域,优化器的选择对模型性能至关重要。尽管PyTorch中的标准优化器如SGD、Adam和AdamW被广泛应用,但在某些复杂优化问题中,这些方法未必是最优选择。本文介绍了四种高级优化技术:序列最小二乘规划(SLSQP)、粒子群优化(PSO)、协方差矩阵自适应进化策略(CMA-ES)和模拟退火(SA)。这些方法具备无梯度优化、仅需前向传播及全局优化能力等优点,尤其适合非可微操作和参数数量较少的情况。通过实验对比发现,对于特定问题,非传统优化方法可能比标准梯度下降算法表现更好。文章详细描述了这些优化技术的实现过程及结果分析,并提出了未来的研究方向。
61 1
|
4月前
|
并行计算 PyTorch TensorFlow
环境安装(一):Anaconda3+pytorch1.6.0+cuda10.0+cudnn7.6.4+tensorflow1.15+pycocotools+pydensecrf
这篇文章详细介绍了如何在Anaconda环境下安装和配置深度学习所需的库和工具,包括PyTorch 1.6.0、CUDA 10.0、cuDNN 7.6.4、TensorFlow 1.15、pycocotools和pydensecrf,并提供了pip国内镜像源信息以及Jupyter Notebook和Anaconda的基本操作。
438 0
环境安装(一):Anaconda3+pytorch1.6.0+cuda10.0+cudnn7.6.4+tensorflow1.15+pycocotools+pydensecrf
|
4月前
|
机器学习/深度学习 数据挖掘 数据处理
深度学习之卫星图像中的环境监测
基于深度学习的卫星图像环境监测是指通过使用深度学习模型处理和分析来自卫星的遥感数据,以实现对地球环境的自动化监测和分析。这项技术极大提升了环境监测的效率、精度和规模,应用于气候变化研究、生态保护、自然灾害监测、城市扩张评估等多个领域。
250 0
|
14天前
|
机器学习/深度学习 搜索推荐 PyTorch
基于昇腾用PyTorch实现传统CTR模型WideDeep网络
本文介绍了如何在昇腾平台上使用PyTorch实现经典的WideDeep网络模型,以处理推荐系统中的点击率(CTR)预测问题。
177 66