深度学习环境配置入门深度学习，首先要做的事情就是要搭建深度学习的环境。不管你是Windows用户，Mac用户还是Ubuntu用户，只要电脑配置允许，都可以做深度学习，毕竟Windows、Mac和Ubuntu系统都可以进行深度学习环境的搭建。接下来就记录下自己在Windows系统上搭建深度学习环境的过程，方便自己存档也为大家提供一个参考。本次环境配置主要模式是基于Anaconda+PyTorch(GPU版)+CUDA+cuDNN进行搭建的。所需工具：Python集成开发环境：AnacondaCUDA、cuDNN：英伟达提供的针对英伟达显卡的运算平台。用来提升神经网络的运行效率，如果电脑显卡不满足
深度学习环境配置入门深度学习，首先要做的事情就是要搭建深度学习的环境。不管你是Windows用户，Mac用户还是Ubuntu用户，只要电脑配置允许，都可以做深度学习，毕竟Windows、Mac和Ubuntu系统都可以进行深度学习环境的搭建。接下来就记录下自己在Windows系统上搭建深度学习环境的过程，方便自己存档也为大家提供一个参考。本次环境配置主要模式是基于Anaconda+PyTorch(GPU版)+CUDA+cuDNN进行搭建的。所需工具：Python集成开发环境：AnacondaCUDA、cuDNN：英伟达提供的针对英伟达显卡的运算平台。用来提升神经网络的运行效率，如果电脑显卡不满足
一、安装cuda1.首先查看自身电脑最高支持的cuda版本为多少，在终端输入以下指令nvidia-smi可以看到我的最高支持cuda11.4。2.打开英伟达官网下载官方cuda此处我下载的是cuda11.0.3版本，并选择相应配置，复制指令至终端下载3.运行官网安装指令 4.依次选择continue和accept点击确认 5.按回车取消Driver项的安装，然后回车选择Install 6.添加环境变量 gedit~/.bashrc打开文件，在文件结尾添加如下语句：exportPATH=$PATH:/usr/local/cuda-11.0/binexportLD_LIBRARY_PATH=
一、安装cuda1.首先查看自身电脑最高支持的cuda版本为多少，在终端输入以下指令nvidia-smi可以看到我的最高支持cuda11.4。2.打开英伟达官网下载官方cuda此处我下载的是cuda11.0.3版本，并选择相应配置，复制指令至终端下载3.运行官网安装指令 4.依次选择continue和accept点击确认 5.按回车取消Driver项的安装，然后回车选择Install 6.添加环境变量 gedit~/.bashrc打开文件，在文件结尾添加如下语句：exportPATH=$PATH:/usr/local/cuda-11.0/binexportLD_LIBRARY_PATH=
目录一、前言二、对应关系三、如何使用四、总结五、参考一、前言NVIDIA®CUDA®Toolkit为创建高性能GPU加速应用程序提供了一个开发环境。借助CUDA工具包，您可以在GPU加速的嵌入式系统、桌面工作站、企业数据中心、基于云的平台和HPC超级计算机上开发、优化和部署您的应用程序。该工具包包括GPU加速库、调试和优化工具、C/C++编译器以及用于部署应用程序的运行时库。全球的深度学习研究人员和框架开发人员都依赖cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序，而不必花时间在底层GPU性能调整上。本篇博客记录了了CUDAToolkit和cuDNN的版本对应
目录一、前言二、对应关系三、如何使用四、总结五、参考一、前言NVIDIA®CUDA®Toolkit为创建高性能GPU加速应用程序提供了一个开发环境。借助CUDA工具包，您可以在GPU加速的嵌入式系统、桌面工作站、企业数据中心、基于云的平台和HPC超级计算机上开发、优化和部署您的应用程序。该工具包包括GPU加速库、调试和优化工具、C/C++编译器以及用于部署应用程序的运行时库。全球的深度学习研究人员和框架开发人员都依赖cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序，而不必花时间在底层GPU性能调整上。本篇博客记录了了CUDAToolkit和cuDNN的版本对应
场景描述搞深度学习时需要先搭建环境，需要折腾显卡驱动、cuda、cudnn、以及各种深度学习框架（TensorFlow、Pytorch等）。光听这些名词有好些人都迷糊了，更不要提解决他们之间的不兼容，完成环境搭建了。这里先简单解释上述名词，不求高深与专业，理解他们处于什么位置就行。通俗解释显卡：一块焊了GPU芯片的电路板，上面还有电容电阻以及其他辅助芯片。因为有些复杂计算CPU效率太低了，所以放在GPU中执行运算。类比的，cpu主板也就是一块焊了CPU、辅助芯片、电容电阻的电路板。至于独立显卡与集成显卡的概念，自己查吧。显卡驱动：GPU是硬件，操作系统怎么识别并与它传输数据呢？这就需要在操作系
场景描述搞深度学习时需要先搭建环境，需要折腾显卡驱动、cuda、cudnn、以及各种深度学习框架（TensorFlow、Pytorch等）。光听这些名词有好些人都迷糊了，更不要提解决他们之间的不兼容，完成环境搭建了。这里先简单解释上述名词，不求高深与专业，理解他们处于什么位置就行。通俗解释显卡：一块焊了GPU芯片的电路板，上面还有电容电阻以及其他辅助芯片。因为有些复杂计算CPU效率太低了，所以放在GPU中执行运算。类比的，cpu主板也就是一块焊了CPU、辅助芯片、电容电阻的电路板。至于独立显卡与集成显卡的概念，自己查吧。显卡驱动：GPU是硬件，操作系统怎么识别并与它传输数据呢？这就需要在操作系
博主已有：Pycharm+Anaconda通过这篇博客你将获得：Cuda10.2+cuDNN11.x+Pytorch1.8.0(GPU)importtorchprint(torch.cuda.is_available())print(torch.__version__)print(torch.version.cuda)True1.8.010.2目录1.确定自己电脑有无显卡2.确定显卡支持的cuda最高版本3.下载安装cuda4.安装cuDNN 5.安装Pytorch(重要！易踩坑！）6.pycharm切换不了环境问题7.总结 今天是三月1日，开学的第一周，这个学期准备进军深度学习，主打的框
博主已有：Pycharm+Anaconda通过这篇博客你将获得：Cuda10.2+cuDNN11.x+Pytorch1.8.0(GPU)importtorchprint(torch.cuda.is_available())print(torch.__version__)print(torch.version.cuda)True1.8.010.2目录1.确定自己电脑有无显卡2.确定显卡支持的cuda最高版本3.下载安装cuda4.安装cuDNN 5.安装Pytorch(重要！易踩坑！）6.pycharm切换不了环境问题7.总结 今天是三月1日，开学的第一周，这个学期准备进军深度学习，主打的框
