Pytorch深度学习环境配置 | 个人学习踩坑笔记记录

一、前言深度学习近年来在计算机视觉、自然语言处理、语音识别等领域取得了突破性进展。对于初学者而言搭建一个稳定、高效的深度学习开发环境是入门的第一步也是最容易遇到问题的环节。⚠️学习声明本篇是深度学习环境配置的个人踩坑笔记仅用于技术交流、学习复盘不存在任何广告、商业推广意图。文中涉及的Anaconda、CUDA、Pytorch均为互联网公开开源工具本文不提供任何软件售卖、代装服务所有操作仅供自己练习参考。二、系统配置与软硬件参数检查在安装任何软件之前我们需要先确认计算机的软硬件配置是否满足深度学习开发的基本要求。2.1 操作系统要求项目最低要求推荐配置操作系统Windows 10 / Ubuntu 18.04Windows 11 / Ubuntu 22.04系统类型64位64位内存8 GB16 GB 或更高硬盘空间50 GB 可用空间100 GB 以上 SSD2.2 检查显卡信息NVIDIA GPU深度学习训练通常需要 NVIDIA 显卡的支持。请按以下步骤检查显卡信息方法一通过设备管理器查看右键点击此电脑 → “管理” → “设备管理器”展开显示适配器查看是否有 NVIDIA 显卡方法二通过命令行查看nvidia-smi如果命令不可用说明尚未安装 NVIDIA 显卡驱动。方法三通过 NVIDIA 控制面板查看右键点击桌面空白处选择NVIDIA 控制面板在系统信息中查看显卡型号和驱动版本2.3 显卡算力与CUDA版本对应关系不同型号的 NVIDIA 显卡支持不同版本的 CUDA。常见显卡的算力及支持的 CUDA 版本如下显卡系列代表型号算力支持 CUDA 版本GTX 10系列GTX 1080 Ti6.1CUDA 8.0RTX 20系列RTX 2080 Ti7.5CUDA 10.0RTX 30系列RTX 30908.6CUDA 11.1RTX 40系列RTX 40908.9CUDA 11.8重要提示在安装 CUDA 之前请务必确认你的显卡型号及对应的算力选择兼容的 CUDA 版本。2.4 检查Python环境打开命令提示符CMD或 PowerShell输入python--version如果系统尚未安装 Python或者版本低于 3.8建议通过 Anaconda 来管理 Python 环境。三、Anaconda安装与配置Anaconda 是一个强大的 Python 数据科学平台集成了包管理、环境管理等功能非常适合深度学习开发。3.1 下载Anaconda访问 Anaconda 官网下载页面https://www.anaconda.com/download或者访问清华大学开源软件镜像站下载推荐速度更快https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/选择对应系统的安装包Windows 选择.exe文件3.2 安装Anaconda双击下载的安装包启动安装向导点击Next→I Agree接受许可协议选择安装类型Just Me推荐仅当前用户使用All Users所有用户使用需要管理员权限选择安装路径建议保持默认或修改为无中文、无空格的路径重要选项✅Add Anaconda3 to my PATH environment variable添加到环境变量✅Register Anaconda3 as my default Python 3.x注册为默认Python点击Install开始安装等待安装完成安装完成后点击Finish3.3 验证Anaconda安装打开命令提示符CMD或 Anaconda Prompt输入conda--version如果显示版本号如conda 23.7.4说明安装成功。3.4 配置Anaconda国内镜像源为了加速包的下载速度建议配置国内镜像源# 添加清华大学镜像源conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge# 设置搜索时显示通道地址conda config--setshow_channel_urlsyes3.5 创建Python虚拟环境为深度学习项目创建独立的 Python 环境避免包版本冲突# 创建名为 pytorch 的虚拟环境指定 Python 版本为 3.10conda create-npytorchpython3.10# 激活虚拟环境conda activate pytorch# 查看当前所有环境condaenvlist四、PyCharm安装与配置PyCharm 是 JetBrains 公司开发的一款强大的 Python IDE提供代码补全、调试、版本控制等功能是深度学习开发的理想工具。4.1 下载PyCharm访问 PyCharm 官网https://www.jetbrains.com/pycharm/download/选择版本Professional专业版功能全面需要付费或申请教育许可Community社区版免费开源功能足够日常使用下载对应系统的安装包4.2 安装PyCharm双击下载的安装包点击Next选择安装路径建议无中文、无空格路径勾选安装选项✅64-bit launcher64位启动器✅Add “Open Folder as Project”右键菜单打开文件夹✅Add to PATH添加到环境变量✅Create Associations关联 .py 文件点击Install等待安装完成安装完成后选择是否立即重启电脑4.3 配置PyCharm使用Anaconda环境打开 PyCharm创建或打开一个项目点击File→SettingsWindows或PyCharm→PreferencesMac导航到Project: [项目名]→Python Interpreter点击右上角的齿轮图标 →Add…选择Conda Environment→Existing environment点击 Interpreter 路径旁的浏览按钮找到 Anaconda 安装目录下的envs/pytorch/python.exe点击OK应用设置4.4 PyCharm常用配置推荐配置项推荐设置说明字体大小14-16px保护视力提高代码可读性主题Darcula暗色或 Light根据个人喜好选择代码自动补全开启提高编码效率自动保存开启防止代码丢失文件编码UTF-8避免中文乱码五、NVIDIA显卡驱动安装在使用 CUDA 之前必须确保系统已安装正确版本的 NVIDIA 显卡驱动。5.1 检查当前驱动版本nvidia-smi如果能正常显示显卡信息和驱动版本说明驱动已安装。5.2 下载并安装显卡驱动访问 NVIDIA 驱动下载页面https://www.nvidia.cn/drivers/lookup/选择显卡型号和操作系统下载对应的驱动程序双击安装包按照向导完成安装安装完成后重启电脑5.3 验证驱动安装nvidia-smi正常输出示例--------------------------------------------------------------------------------------- | NVIDIA-SMI 535.98 Driver Version: 535.98 CUDA Version: 12.2 | |------------------------------------------------------------------------------------- | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | || | 0 NVIDIA GeForce RTX 3060 On | 00000000:01:00.0 On | N/A | | 0% 45C P8 12W / 170W | 512MiB / 12288MiB | 0% Default | -------------------------------------------------------------------------------------注意CUDA Version显示的是当前驱动支持的最高 CUDA 版本实际安装的 CUDA 版本不应超过此版本。六、CUDA安装CUDACompute Unified Device Architecture是 NVIDIA 推出的并行计算平台和编程模型是深度学习框架调用 GPU 加速的基础。6.1 确定CUDA版本根据nvidia-smi显示的 CUDA Version以及 PyTorch 官网的兼容性表格选择合适的 CUDA 版本。PyTorch 版本推荐 CUDA 版本PyTorch 2.0CUDA 11.8PyTorch 1.13CUDA 11.7PyTorch 1.12CUDA 11.66.2 下载CUDA访问 CUDA 下载页面https://developer.nvidia.com/cuda-downloads选择操作系统、架构、版本和安装类型点击下载按钮获取安装包历史版本下载如需下载旧版本 CUDA请访问 CUDA Toolkit Archive6.3 安装CUDA双击下载的.exe安装包选择解压路径临时文件安装完成后可删除等待系统检查兼容性选择安装方式精简推荐安装所有组件自定义选择需要安装的组件勾选接受许可协议选择安装组件建议全部勾选✅ CUDA✅ NVIDIA 驱动程序如果尚未安装或需要更新✅ Visual Studio Integration如使用VS开发选择安装位置建议保持默认点击安装等待安装完成6.4 配置CUDA环境变量安装程序通常会自动添加环境变量请检查以下路径是否已添加到系统Path中C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp6.5 验证CUDA安装打开命令提示符输入nvcc-V正常输出示例nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2022 NVIDIA Corporation Built on Wed_Sep_21_10:11:33_Pacific_Daylight_Time_2022 Cuda compilation tools, release 11.8, V11.8.89七、cuDNN安装cuDNNCUDA Deep Neural Network library是 NVIDIA 针对深度神经网络加速的 GPU 库为 PyTorch、TensorFlow 等框架提供底层加速支持。7.1 下载cuDNN访问 cuDNN 下载页面https://developer.nvidia.com/cudnn登录 NVIDIA 开发者账号没有需先注册选择与已安装 CUDA 版本对应的 cuDNN 版本下载 Windows 版本的压缩包通常以cudnn-windows-x86_64-...开头注意cuDNN 版本必须与 CUDA 版本严格匹配。7.2 安装cuDNNcuDNN 的安装方式是将文件复制到 CUDA 安装目录中解压下载的 cuDNN 压缩包将解压后的文件夹中的内容复制到 CUDA 安装目录如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8具体复制路径将bin文件夹中的.dll文件复制到 CUDA 的bin目录将include文件夹中的.h文件复制到 CUDA 的include目录将lib\x64文件夹中的.lib文件复制到 CUDA 的lib\x64目录7.3 验证cuDNN安装在 CUDA 安装目录的extras\demo_suite文件夹中运行以下命令cdC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite# 运行设备查询程序.\deviceQuery.exe# 运行带宽测试程序.\bandwidthTest.exe如果两个程序都显示Result PASS说明 cuDNN 安装成功。八、PyTorch安装与验证PyTorch 是目前最流行的深度学习框架之一由 Facebook AI Research (FAIR) 开发。8.1 确定PyTorch版本访问 PyTorch 官网获取安装命令https://pytorch.org/get-started/locally/根据系统配置选择PyTorch BuildStable稳定版或 Preview预览版Your OSWindows / Linux / MacPackageConda推荐或 PipLanguagePythonCompute PlatformCUDA 11.8 / CUDA 12.1 / CPU8.2 使用Conda安装PyTorch确保已激活之前创建的pytorch虚拟环境conda activate pytorch根据官网生成的命令进行安装以 CUDA 11.8 为例condainstallpytorch torchvision torchaudio pytorch-cuda11.8-cpytorch-cnvidia如果使用国内镜像源可以添加-c参数指定通道。8.3 使用Pip安装PyTorch备选如果 Conda 安装较慢可以使用 Pip# CUDA 11.8 版本pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# CUDA 12.1 版本pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121# CPU 版本无 NVIDIA 显卡时使用pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu安装加速可以使用清华大学镜像源加速下载pipinstalltorch torchvision torchaudio-ihttps://pypi.tuna.tsinghua.edu.cn/simple8.4 验证PyTorch安装在命令行中输入python进入 Python 交互模式然后执行importtorch# 查看PyTorch版本print(fPyTorch版本:{torch.__version__})# 查看CUDA是否可用print(fCUDA是否可用:{torch.cuda.is_available()})# 查看CUDA版本print(fCUDA版本:{torch.version.cuda})# 查看cuDNN版本print(fcuDNN版本:{torch.backends.cudnn.version()})# 查看可用的GPU数量print(fGPU数量:{torch.cuda.device_count()})# 查看当前GPU名称iftorch.cuda.is_available():print(f当前GPU:{torch.cuda.get_device_name(0)})正常输出示例PyTorch版本: 2.0.1cu118 CUDA是否可用: True CUDA版本: 11.8 cuDNN版本: 8700 GPU数量: 1 当前GPU: NVIDIA GeForce RTX 30608.5 运行简单的GPU测试importtorch# 创建两个随机张量atorch.randn(1000,1000).cuda()btorch.randn(1000,1000).cuda()# 在GPU上执行矩阵乘法ctorch.matmul(a,b)print(GPU计算测试通过)print(f结果张量所在设备:{c.device})九、常见问题与解决方案9.1 CUDA版本不匹配问题描述安装 PyTorch 后torch.cuda.is_available()返回False。解决方案检查nvidia-smi中的 CUDA Version确保安装的 PyTorch 版本与 CUDA 版本匹配如果不匹配卸载当前 PyTorch 并重新安装对应版本pip uninstall torch torchvision torchaudio condainstallpytorch torchvision torchaudio pytorch-cuda11.8-cpytorch-cnvidia9.2 显卡驱动未安装或版本过低问题描述运行nvidia-smi提示命令不存在或报错。解决方案访问 NVIDIA 官网下载并安装最新的显卡驱动安装完成后重启电脑9.3 Conda环境激活失败问题描述在 CMD 中运行conda activate pytorch报错。解决方案使用 Anaconda Prompt 代替 CMD或者在 CMD 中先运行conda init cmd.exe然后重启终端9.4 PyCharm无法识别Conda环境问题描述PyCharm 中找不到已创建的 Conda 环境。解决方案手动指定 Python 解释器路径C:\Users\[用户名]\anaconda3\envs\pytorch\python.exe确保 PyCharm 版本较新建议 2021.3 或更高版本9.5 安装过程中网络超时问题描述下载安装包或包文件时网络超时。解决方案配置国内镜像源清华、中科大、阿里云等使用手机热点或其他网络重试单独下载安装包后进行本地安装