1. conda 虚拟环境安装
1. 创建虚拟环境
conda create -n env_name python=3.7
使用 conda env list
,查看已有环境名称,conda activate env_name
进入已建立的新环境。
2. 虚拟环境添加 jupyter
conda install ipykernel
# jupyter notebook 中添加新内核名称 kernel_name, 可与环境名不一样,但一样更好区分
python -m ipykernel install --user --name kernel-name # env_name
3. jupyter 内核操作
参考链接 - Jupyter Notebook Kernels: How to Add, Change, Remove
jupyter kernelspec list # 查看已有内核
jupyter kernelspec remove <kernel-name> # 删除内核
4. 第三方安装包中 requirements.txt
参考链接 - python 项目自动生成环境配置文件requirements.txt
pip install -r requirements.txt # 安装
# pip install -r requirements.txt -i https://pypi.douban.com/simple
pip freeze > requirements.txt # 整个环境安装包保存到requirements.txt
# 单个项目中安装包保存到requirements.txt
pip install pipreqs
pipreqs .
5. windows 深度学习环境 pytorch 、tensorflow
ref - link ⭐️ ⭐️
- 查看本机的显卡配置,(是否为独显)(以 英伟达 NVIDIA 介绍);
在 nvida官网 查看显卡是否支持GPU 加速,及算力大小 。
- 安装
NVIDIA 显卡驱动
;
在 NVIDIA控制面板(win 桌面右键)-> 帮助 -> 系统信息 -> 组件, 查看 NVCUDA64.DLL
后面的 CUDA 参数(所能支持的版本号)
- 安装 Visual Studio(社区版即可),cuda 安装时需要
C++ 环境
;
- 安装
cuda
,cuda toolkit - link,这里需要查看 GPU显卡 所能支持的 cuda 版本;
将 CUDA 环境 配置到 系统环境变量中
cmd 中 输入 nvcc --version
查看 cuda 是否安装成功
- 安装
CuDNN
(深度学习加速库), 安装最新 CuDNN 即可;
前1~5 步为深度学习的环境依赖,接下来安装深度学习pytorch、tensorflow环境。
-
pytorch 安装
(1) conda 创建虚拟环境
(2) conda 安装 Pytorch-GPU,官网-link,建议更换为国内源
(3) python 环境下输入torch.cuda.is_available()
查看是否 安装成功
-
tensorflow 安装 ref-link
(1) conda 创建虚拟环境
(2) 查看 TensorFlow 版本与Python、CUDA、CuDNN 版本之间的 对应关系-link
(3) 更换国内源安装
pip install --ignore-installed --upgrade tensorflow-gpu==2.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 版本号自定义(示例为 2.4.0)
(4) python 环境下输入tf.test.gpu_device_name()
查看是否 安装成功
2. 使用网络代理后网络连接断掉–解决
控制面板
⇒
\Rightarrow
⇒ Internet 选项
⇒
\Rightarrow
⇒ 连接
⇒
\Rightarrow
⇒ 局域网设置
⇒
\Rightarrow
⇒ 自动检测设置(A),勾选
![在这里插入图片描述](https://img-blog.csdnimg.cn/b76c729b5e204ec3aadacdce9f8b6ec3.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAemhhb2h1aTI0,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)