Pytorch1.0+CUDA10.0+cuDNN环境配置之谈（Win10）

引言

在项目的过程中，经常需要复现大牛的代码。而很多代码是针对gpu而言的，所以还在cpu环境下跑代码的人们就会比较头痛。这个时候一般会有两种方法：第一种就是尝试将gpu版本的源代码修改成cpu版本。这种方法有时候很凑效，就像下面只需要简单的修改几行命令即可实现从gpu环境到cpu环境的跨越，或者只是将带有cudnn（gpu加速）的一些命令去掉即可：

import torch
from torch.autograd import Variable
# 将变量或者数据转移至GPU
gpu_info = Variable(torch.randn(3,3)).cuda()
# 将变量或者数据转移至CPU
cpu_info = gpu_info.cpu()

但是有很多时候，一些模块自带的命令只支持使用cudnn（见下图）：

强行修改就会无情报错

这个时候修改成cpu环境可能就需要花很多的时间了，而且如果python功底不强并且对源代码没有足够的了解根本就改不动（这里指的功底在我看来一般都是计算机出身的大牛了），而且很大概率会改到最后得出一个结论：在这个项目里cpu版本和gpu版本不兼容！总而言之，一昧的想绕过gpu版本有时候真的是行不通的&＃x1f61e;（这里作为小白的我深有体会，改到最后才发现此路不通…当然这里的改动一般都指的是微改）。这个时候呢我们就只好踏踏实实的寻求配置gpu环境：即需要配置cuda和cuDNN。（所以才有了这篇文章，&＃x1f601;）

正题（环境配置）

环境

• 电脑：联想小新Air 13 pro
• CPU：i5 ，4G运行内存
• 显卡：NVIDIA GeForce 940MX，2G显存
• 系统：windows10 64位系统
• 软件：Anaconda 5.3.0 python 3.6.6

一.使用Anaconda建立虚拟环境

为什么要使用Anaconda建立虚拟环境呢？是因为虚拟环境之间是独立开来的，假如你需要下载同一个模块的不同版本，这个时候就可以下载到不同的虚拟环境里面，例如主环境的python版本为3.6，你可以创建一个虚拟环境下载python3.5，这样是不会起冲突的（
划重点：虚拟环境之间的python版本可以不同）。如果有一天你的虚拟环境被装得很乱的时候，可以直接将这个虚拟环境删除，这样是不会对主环境造成影响的，所以非常的方便。

1.首先在“运行栏”（键盘同时按win+R）,框中输入字母：cmd 按回车键打开以下界面（我只是把cmd背景调成了白色，跟你们那个黑色的是一样的）：

2.然后输入：

conda info –e

显示截至目前你所安装的环境：

这里可以看到我已经安装了三个环境，如果你们还没安装过其他环境的这里只会显示“base”那一行，意味着主环境。

3.接着输入（创建虚拟环境）：

conda create –name DL-gpu python=3.6 anaconda

这条命令的意思是创建一个名为“DL-gpu”（这里是可以根据你的习惯更改的），python版本为3.6的虚拟环境，添加“anaconda”会帮助用户在创建虚拟环境的同时下载一些常见的模块（如NumPy，Pandas）。

如果期间碰到出现：Proceed([y]/n)? 就输入y并按回车。

4.安装成功之后就可以输入：

activate DL-gpu

启动anaconda环境了（如果你换了虚拟环境名，就输入activate + 你的虚拟环境名字）：

当命令提示符前面出现虚拟环境名字，就说明已经是在该虚拟环境下工作。

如果需要退出虚拟环境，则输入：

deactivate


回到主环境（base环境）

二.下载CUDA+cuDNN

Pytorch、TensorFlow等深度学习框架主要是通过NVIDIA提供的CUDA和cuDNN来存取GPU的，所以我们需要安装CUDA和cuDNN

1.首先确认显卡是否支持CUDA。

查看在菜单栏输入“系统信息”
：

打开之后找到“组件”→“显示”就可以看到显卡名称。

再从英伟达官网里面找到“CUDA-Enabled GeForce Products”寻找有没有自己对应的显卡型号，如果有才能下载。

2.安装CUDA

我下载的是CUDA10.0，如果想要下载其他版本可以参照【Licko的深度好文】

首先打开CUDA的下载链接，根据电脑的属性点击如下：

其中如果下载方式选择exe[network]，安装的时候则需要连网（需要网络稳定）。如果选择exe[local]，下载的时候则是把整个CUDA安装包下载到本地再进行安装。这里我选择第一种方式。
下载完之后打开：

点击ok，等检查系统兼容性之后页面如下：

接下来操作过程如下：点击“同意并继续”→许可协议选择“接受”→ 安装选项选择“精简（E）” →选项在I understand…那里打“√”→ 安装选择点击“下一步”即可。

3.安装cuDNN

打开cuDNN官网，点击“Download cuDNN”：

接着加入会员并且登录下载即可，CUDA10.0对应的cuDNN版本我下载的是cuDNN7.4。

【划重点】如果嫌下载麻烦的可以到下面的网盘链接自取CUDA10和cuDNN7.4的压缩包文件，提取码是：wntr。如果失效的话就按上面的下载步骤到官网下载就好了。

https://pan.baidu.com/s/15BCjYV5jaiapNfJ9i9IgXA​ pan.baidu.com

4.下载完之后将压缩包里面的文件夹“cuda”解压，文件夹里边有有一个“bin”文件，里面存有“cudnn64_5.dll”文件。

加入存有该文件的路径地址“D:\cuda&cuDnn\cuda\bin”到Path环境变量中。

首先在桌面右键点击“我的电脑”→“属性”→“高级系统设置”：

→“环境变量”→双击“Path”→“新建”→把存有“cudnn64_5.dll”文件的路径加上：

最后点击确定即可。

三.安装pytorch稳定版1.0

1.首先来到pytorch官网，滑到下面的安装选项里根据自己电脑环境点击：

就可以找到属于该环境的安装命令：

conda install pytorch torchvision cuda100 -c pytorch


这里我尝试过pip和conda下载，个人建议使用conda安装一步到位。如果出现Proceed([y]/n)? 就输入y并按回车。安装界面如下：

这里强烈建议到一个网络较稳定的地方下载！我一开始下载的地方因为网络不稳定，几次尝试使用pip和conda下载都报错，有一次下载到93%时报错，当移动到网络较稳定较快的地方之后使用conda下载终于成功。（这里我看了许多贴子，因为下载时间比较长，很多人下载过程中也经常报错，但几个下载源反复尝试一般就可以成功。）

2.最后安装完成后输入：

conda list

显示已安装模块

就可以找到pytorch模块了

3.同时我们可以在安装了pytorch的虚拟环境下输入：python 打开python，并运行：import torch 载入该模块（划重点：加载pytorch这里使用的是import torch 不是import pytorch）

如果没有报错就说明加载成功了。

4.接下来输入：

torch.cuda.is_available()

查看cuda是否可用

显示Ture就是大功告成了，就开始pytorch的gpu之旅了。

附加：上面所述的创建虚拟环境还可以使用以下途径：假如你有环境A，你只是需要尝试新建一个类似的虚拟环境B安装某一个模块，这个时候你就可以输入：

conda create -n B--clone A

去复制一个与环境A一样的虚拟环境B，再在环境B里下载你想要的模块。如果想要对虚拟环境进行重命名可以参照这里：（https://www.jianshu.com/p/7265011ba3f2）

总结:因为我的电脑是超极本，很薄所以总是感觉它很脆弱，对它倍加呵护，一些稍大的数据都不愿意在电脑上亲测（一旦把电脑跑崩了心态可能也就崩了，楼主比较玻璃心）。所以我觉得使用gpu环境运行代码也会对电脑比较损，找了很多资料，其中【Licko的深度好文】有个gpu笔记本的亲测，看完之后才放下了很多顾虑，大胆地把爪子伸向gpu的配置。但是大家在使用GPU的时候还是得对自己的电脑有所了解。

参考资料：

https://zhuanlan.zhihu.com/p/38223869

https://zhuanlan.zhihu.com/p/31430631

《Tensorflow+Keras深度学习人工智能实践应用》——林大贵