anaconda+pytorch+opencv安装及环境配置

简介: anaconda+pytorch+opencv安装及环境配置

一、anaconda下载及安装

下载地址:进入anaconda官网,Anaconda | The World's Most Popular Data Science Platform

下载完成后点击安装就可以,具体操作如下:

第一个选项建议也勾选上,会在系统自动配置anaconda的环境。

安装结束后,查看自己电脑环境变量是否配置成功,右击此电脑=》属性=》高级系统设置=》path

因为anaconda安装过程中只是just user 而不是所有用户,因此查看用户下path有没有这五个环境变量。

D:\anaconda

D:\anaconda\Library\mingw-w64\bin

D:\anaconda\Library\usr\bin

D:\anaconda\Library\bin

D:\anaconda\Scripts

二、安装配置pytorch环境

1.创建虚拟环境

conda env list

查看conda下有几个对应环境,我这已经有两个一个是base基础环境安装anaconda时候自带的,另一个pytorch是后续我自己安装的。

conda create -n pytorch_gpu python=3.6

创建一个新的pytorch_gpu环境,该环境中python选择是3.6版本的(后面发现3.6版本和cuda版本不对应,改为安装了python3.7版本)。

选择Y等待自动安装python环境。

等待安装结束后,在控制台中输入

conda activate pytorch_gpu

我们就可以进入该环境下,在该环境下输入python。如果出现下图:

说明我们的环境创建成功,接下来就是安装pytorch啦。

2.pytorch安装

我们此次的安装方法采用在线安装,安装的网址是pytorch官网

如果某些包安装失败,也可以采用离线安装,通过镜像下载安装包后,在进行安装,具体过程可以参考该文章

在安装pytorch前应该先检查自己的电脑是否支持cuda,一般来说只要是英伟达的显卡一般都可以使用gpu加速的。可以在控制台中输入

nvidia—smi

我支持的版本是11.4版本以前所以选择对应的版本

我最终选择了1.12版本的pytorch和11.3版本的cuda,

如果安装官网的指令安装,速度很慢,需要很长时间,此时可以采用镜像进行下载,具体参考此文章(也可以在镜像网站上下载,然后离线进行安装)

安装成功可以对torch进行验证

3.安装cudnn

查找对应版本的cudnn有两种方式,第一种是在英伟达官网上查找

第二种是在控制台中直接输入查找指令

conda search cudnn
conda search cudnn --info 
可以查看准确的版本及其下载源

查找自己对应的版本

conda search cudnn=8.2.1 --info 可以查找8.2.1的对应下载源
conda install cudnn=8.2.1 -c +在查找中提供的下载地址

通过镜像下载速度比较快,下载成功后对其进行验证

如果运行后是这样,则说明配置成功。

4.opencv安装

本次opencv的环境配置采用离线安装

首先在镜像网站上下载对应版本的whl文件,镜像网站对应如下

https://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv(国外镜像网)

https://pypi.tuna.tsinghua.edu.cn/simple/opencv-contrib-python/(清华镜像网)

cp37意思是python3.7版本,然后第一个是macos系统,第二、三个是linux系统,第四、五个是win系统分别对应32位,64位。我的是64位系统,不知道的我的电脑处右键选择属性。

我安装python是3.7,电脑是64位windows操作系统,根据自己的需求选择对应的opencv版本

我选择的如下:

将下载好的whl文件放置在anaconda目录下Lib文件夹下的site-packages文件夹中

然后打开控制窗口,在pytorch_gpu环境下cd到site-packages文件夹下

(注意cd命令如果是 跨盘运行的话需要在后面加/d)

当cd到site-packages后,通过pip install 安装opencv

pip install +whl文件名字

对opencv安装进行验证

说明安装成功 。

三、在pychrm中配置pytorch环境

在file文件下选择setting选项

选择对应环境下的python文件。

环境如图所示,点击ok,则说明配置成功。

进行验证如下:

在pycharm 中python console输入如下指令,如图运行则说明运行成功。

相关实践学习
部署Stable Diffusion玩转AI绘画(GPU云服务器)
本实验通过在ECS上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。
相关文章
|
6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。
729 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。
|
6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。
9584 3
|
1月前
|
机器学习/深度学习 并行计算 PyTorch
Windows下CUDA+pytorch安装
以下是关于在Windows下安装CUDA和PyTorch的简要介绍及参考链接:
144 0
Windows下CUDA+pytorch安装
|
6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。
495 1
Jetson环境安装(一):Ubuntu18.04安装pytorch、opencv、onnx、tensorflow、setuptools、pycuda....
|
6月前
|
机器学习/深度学习 缓存 PyTorch
pytorch学习一(扩展篇):miniconda下载、安装、配置环境变量。miniconda创建多版本python环境。整理常用命令(亲测ok)
这篇文章是关于如何下载、安装和配置Miniconda,以及如何使用Miniconda创建和管理Python环境的详细指南。
1291 0
pytorch学习一(扩展篇):miniconda下载、安装、配置环境变量。miniconda创建多版本python环境。整理常用命令(亲测ok)
|
25天前
|
机器学习/深度学习 JavaScript PyTorch
9个主流GAN损失函数的数学原理和Pytorch代码实现:从经典模型到现代变体
生成对抗网络(GAN)的训练效果高度依赖于损失函数的选择。本文介绍了经典GAN损失函数理论,并用PyTorch实现多种变体,包括原始GAN、LS-GAN、WGAN及WGAN-GP等。通过分析其原理与优劣,如LS-GAN提升训练稳定性、WGAN-GP改善图像质量,展示了不同场景下损失函数的设计思路。代码实现覆盖生成器与判别器的核心逻辑,为实际应用提供了重要参考。未来可探索组合优化与自适应设计以提升性能。
98 7
9个主流GAN损失函数的数学原理和Pytorch代码实现:从经典模型到现代变体
|
5天前
|
存储 自然语言处理 PyTorch
从零开始用Pytorch实现LLaMA 4的混合专家(MoE)模型
近期发布的LLaMA 4模型引入混合专家(MoE)架构,以提升效率与性能。尽管社区对其实际表现存在讨论,但MoE作为重要设计范式再次受到关注。本文通过Pytorch从零实现简化版LLaMA 4 MoE模型,涵盖数据准备、分词、模型构建(含词元嵌入、RoPE、RMSNorm、多头注意力及MoE层)到训练与文本生成全流程。关键点包括MoE层实现(路由器、专家与共享专家)、RoPE处理位置信息及RMSNorm归一化。虽规模小于实际LLaMA 4,但清晰展示MoE核心机制:动态路由与稀疏激活专家,在控制计算成本的同时提升性能。完整代码见链接,基于FareedKhan-dev的Github代码修改而成。
40 9
从零开始用Pytorch实现LLaMA 4的混合专家(MoE)模型
|
12天前
|
机器学习/深度学习 数据可视化 机器人
比扩散策略更高效的生成模型:流匹配的理论基础与Pytorch代码实现
扩散模型和流匹配是生成高分辨率数据(如图像和机器人轨迹)的先进技术。扩散模型通过逐步去噪生成数据,其代表应用Stable Diffusion已扩展至机器人学领域形成“扩散策略”。流匹配作为更通用的方法,通过学习时间依赖的速度场将噪声转化为目标分布,适用于图像生成和机器人轨迹生成,且通常以较少资源实现更快生成。 本文深入解析流匹配在图像生成中的应用,核心思想是将图像视为随机变量的实现,并通过速度场将源分布转换为目标分布。文中提供了一维模型训练实例,展示了如何用神经网络学习速度场,以及使用最大均值差异(MMD)改进训练效果。与扩散模型相比,流匹配结构简单,资源需求低,适合多模态分布生成。
65 13
比扩散策略更高效的生成模型:流匹配的理论基础与Pytorch代码实现
|
13天前
|
机器学习/深度学习 编解码 PyTorch
从零实现基于扩散模型的文本到视频生成系统:技术详解与Pytorch代码实现
本文介绍了一种基于扩散模型的文本到视频生成系统,详细展示了模型架构、训练流程及生成效果。通过3D U-Net结构和多头注意力机制,模型能够根据文本提示生成高质量视频。
58 1
从零实现基于扩散模型的文本到视频生成系统:技术详解与Pytorch代码实现
|
3月前
|
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。
293 66

热门文章

最新文章

下一篇
oss创建bucket