入门深度学习,很多人经历了从入门到放弃的心酸历程,且千军万马倒在了入门第一道关卡:环境配置问题。俗话说,环境配不对,学习两行泪。如果你正在面临配置环境的痛苦,不管你是Windows用户、Ubuntu用户还是苹果死忠粉,这篇文章都是为你量身定制的。接下来就依次讲下Windows、Mac和Ubuntu的深度学习环境配置问题。

一、Windows系统深度学习环境配置

系统:Win10 64位操作系统

安装组合:Anaconda Pytorch(GPU版) GTX1060开源贡献:伍天舟,内蒙古农业大学

1.1 打开Anaconda Prompt

1、conda create -n pytorch python=3.7.0:创建名为pytorch的虚拟环境,并为该环境安装Python=3.7。2、activate pytorch:激活名为pytorch的环境

深度学习云服务器配置(深度学习环境配置指南)(1)

1.2 确定硬件支持的cuda版本NVIDIA控制面板-帮助-系统信息-组件

深度学习云服务器配置(深度学习环境配置指南)(2)

2020年5月19日16:46:31,我更新了显卡驱动,看到我的cuda支持11以内的

1.3 确定pytorch版本,torchvision版本进入pytorch官网:https://pytorch.org/get-started/locally/

深度学习云服务器配置(深度学习环境配置指南)(3)

因为官方源太慢了,这里使用清华源下载1.4 镜像中下载对应的安装包清华镜像:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/pytorch:

深度学习云服务器配置(深度学习环境配置指南)(4)

torchvision:

深度学习云服务器配置(深度学习环境配置指南)(5)

1.5 本地安装接着第一步,在pytorch环境下进行安装,依次输入如下指令。

深度学习云服务器配置(深度学习环境配置指南)(6)

深度学习云服务器配置(深度学习环境配置指南)(7)

然后回到虚拟环境所在目录,用conda install anaconda安装环境所需的基础包

深度学习云服务器配置(深度学习环境配置指南)(8)

1.6 测试

代码1: from future import print_function import torch x = torch.rand(5, 3) print(x)

输出类似于以下的张量:

深度学习云服务器配置(深度学习环境配置指南)(9)

代码2:

import torch torch.cuda.is_available()

输出:True如果以上两段代码输出无异常,表明环境搭建成功。

1.7 遇到的问题

用下面命令创建虚拟环境报错

conda create -n py37_torch131 python=3.7

深度学习云服务器配置(深度学习环境配置指南)(10)

【解决方法】https://blog.csdn.net/weixin_42329133/article/details/102640763环境会保存在Anaconda目录下的envs文件夹内

深度学习云服务器配置(深度学习环境配置指南)(11)

【解决方法】:https://www.cnblogs.com/hellojiaojiao/p/10790273.html

【解决方案】https://mirror.tuna.tsinghua.edu.cn/help/anaconda/我直呼一声清华NB!

cuda历史版本下载:https://developer.nvidia.com/cuda-toolkit-archive要看NVIDIA的组件,自己的CUDA支持哪个版本,我是1060显卡,所以我下的10.0版本的cuda

深度学习云服务器配置(深度学习环境配置指南)(12)

官网没有我的组合,我满脸问号

深度学习云服务器配置(深度学习环境配置指南)(13)

这里我直接(别忘了先进入刚创建的环境)

conda install pytorch torchvision cudatoolkit=10.0 -c pytorch

python -m ipykernel install --name 虚拟环境名

1.打开Anaconda Prompt,输入conda env list 查看现有环境

2.输入activate name(name是你想切换的环境)

3.conda install ipykernel 安装必要插件

4.python -m ipykernel install --name Name 将环境添加到Jyputer中(Name是此环境显示在Jyputer中的名称,可自定义)

删除内核jupyter kernelspec remove 内核名称

深度学习云服务器配置(深度学习环境配置指南)(14)

报错[Errono 13][Errno 13] Permission denied: ‘/usr/local/share/jupyter’为此,需要添加–user选项,将配置文件生成在本账户的家目录下。

python -m ipykernel install --user --name py27-caffe-notebook

至此,添加kernel完成。查看已有的kernel:

jupyter kernelspec list

删除已有的kernel

jupyter kernelspec remove kernelname

以上的命令删除仅仅是配置文件,并没有卸载相应虚拟环境的ipykernel,因此若要再次安装相应python虚拟环境的kernel,只需激活虚拟环境,然后

python -m ipykernel install --name kernelname

把文件下载到本地,进入该文件的目录,然后用命令

conda install --offline 包名

二、Mac深度学习环境配置

安装组合:Anaconda PyTorch(GPU版)

开源贡献:马曾欧,伦敦大学

2.1 安装Anaconda

Anaconda 的安装有两种方式,这里仅介绍一种最直观的- macOS graphical install。https://www.anaconda.com/products/individual里,Anaconda Installers的位置,选择Python 3.7 下方的“64-Bit Graphical Installer (442)”。下载好

深度学习云服务器配置(深度学习环境配置指南)(15)

pkg 安装包后点击进入,按下一步完成安装即可。默认安装地点为~/opt。想用command line install 的,请自行参考:https://docs.anaconda.com/anaconda/install/mac-os/

2.2 确认下载情况

深度学习云服务器配置(深度学习环境配置指南)(16)

在Mac 的Terminal 里,输入

python --version

确保安装的Python 是3.x 版本。在Terminal 输入

jupyter notebook

弹出网页,即可进入notebook。

深度学习云服务器配置(深度学习环境配置指南)(17)

在网页右上角点击Quit,或返回Terminal,command c,退出notebook。

深度学习云服务器配置(深度学习环境配置指南)(18)

2.2.1 常见问题

如果电脑中下载了多个Anaconda,运行时可能出现冲突。在Terminal 中输入

cd ~

返回home 目录,输入

cat .bash_profile

如果只能看到一个Anaconda 版本就没有问题。如果有多个则下载包时有可能

造成一定的冲突。用vim、nano 或其他文本编辑器把旧版本Anaconda 的

export PATH= ...

删除。

2.3 虚拟环境和包的下载

用conda 去创建虚拟环境和下载对应的包是很简单的一件事。

2.3.1 Graphic

点击Anaconda-Navigator,可以看到自己下载好的应用程序,左上角“Applications on”应该指向的是“base (root)”,左边点击“Environments”就可以看到自己建立的虚拟环境和对应的包了。点击左下角的Create 即可创建一个新的虚拟环境。

深度学习云服务器配置(深度学习环境配置指南)(19)

输入环境名称和python 的版本,点击create 进行创建。

深度学习云服务器配置(深度学习环境配置指南)(20)

之后在Home 页面,确保左上角指向的是你刚刚创建的环境名,在这个环境下install jupyter notebook,注意原本装的notebook 是在base 里的,不可通用。回到Environments 中,可以看到在此环境中的所有包,左上方选择All,然后输入想要下载的包名

深度学习云服务器配置(深度学习环境配置指南)(21)

然后选中进行下载

深度学习云服务器配置(深度学习环境配置指南)(22)

2.3.2 Command Line

用command line 完成以上的操作也很简洁。这次以Pytorch 为例。在Terminal 中输入

conda create --name env_name

就可以创建一个虚拟环境,叫“env_name”。输入

conda env list

即可看到创建了的所有虚拟环境,其中打* 的就是当前环境。输入

conda activate env_name

进入环境

conda deactivate

退出当前虚拟环境,进入base。

2.3.3 下载Pytorch

一般情况下Mac 是不支持CUDA 的。进入https://pytorch.org/ 可以看到

深度学习云服务器配置(深度学习环境配置指南)(23)

pytorch 官网显示当前设备应该用的下载语句。此情况,我的是

conda install pytorch torchvision -c pytorch

复制下来,粘贴到Terminal 中运行就可以开始下载了。下载完成后,在Terminal 输入

python3

之后import 两个刚下载的包,确认下载完成

import torch import torchvision print(torch.__version__) print(torchvision.__version__)

如果import 和输出正常,配置就完成了!输入

深度学习云服务器配置(深度学习环境配置指南)(24)

quit()

就ok 了。

2.4 额外情况

国内如果直接用conda 下载,可能会很慢。可以换下载源进行加速。换源方法可参考下列资料中的Linux 部分:https://zhuanlan.zhihu.com/p/87123943。conda 下载中常会出现“Solving environment: failed...”的问题,如果正常创建虚拟环境,这位问题应该就是没有问题的,如果还发生,可以再创建一个虚拟环境。conda 的社群很大,基本上遇到的问题很有可能有人遇到、有人解答,Google会是一个很好的解决办法。

三、Ubuntu深度学习环境配置

安装组合:Anaconda PyTorch(CPU版)或PyTorch(GPU版)开源贡献:陈信达,华北电力大学3.1 Anacond安装Anaconda和Python版本是对应的,所以需要选择安装对应Python2.7版本的还是Python3.7版本或其他版本的,根据自己的需要下载合适的安装包。下载链接:https://www.anaconda.com/download/#linux点击下面的64-Bit (x86) Installer (522 MB),下载64位的版本。

深度学习云服务器配置(深度学习环境配置指南)(25)

下载完后的文件名是:Anaconda3-2020.02-Linux-x86_64.sh。cd到Anaconda3-2020.02-Linux-x86_64.sh所在的目录:

深度学习云服务器配置(深度学习环境配置指南)(26)

执行bash Anaconda3-2020.02-Linux-x86_64.sh开始安装:

深度学习云服务器配置(深度学习环境配置指南)(27)

一直按回车直到如下界面,然后输入yes:

深度学习云服务器配置(深度学习环境配置指南)(28)

这里直接回车安装到默认路径,或者在>>>后输入自定义路径

深度学习云服务器配置(深度学习环境配置指南)(29)

等待安装进度条走完,然后出现下面的提示,yes是加入环境变量,no是不加入环境变量,这里我们以输入no为例

深度学习云服务器配置(深度学习环境配置指南)(30)

接下来手动加入环境变量,先cd到~,然后编辑.bashrc文件:sudo vim .bashrc

深度学习云服务器配置(深度学习环境配置指南)(31)

在最下面添加如下几行(注意.后有空格):

# 区分anaconda python与系统内置python alias python3="/usr/bin/python3.5" alias python2="/usr/bin/python2.7" . /home/cxd/anaconda3/etc/profile.d/conda.sh

然后按esc : wq!保存

深度学习云服务器配置(深度学习环境配置指南)(32)

输入source .bashrc来执行刚修改的初始化文档

深度学习云服务器配置(深度学习环境配置指南)(33)

下面输入conda env list来试试环境变量是否设置成功:

深度学习云服务器配置(深度学习环境配置指南)(34)

试试刚刚设置的使用内置python的命令:python2、python3

深度学习云服务器配置(深度学习环境配置指南)(35)

如果到这就结束的话,大家安装包的时候肯定会无比煎熬~这里需要将anaconda换一下源(加入清华源):

深度学习云服务器配置(深度学习环境配置指南)(36)

然后我们创建一个名为pytorch的虚拟环境,发现报了下面的错误:

深度学习云服务器配置(深度学习环境配置指南)(37)

原因是我们没有清除上次安装留下来的源,输入sudo vim .condarc,修改该文件的内容(记得删除default那行):

深度学习云服务器配置(深度学习环境配置指南)(38)

然后输入source .condarc,再次创建虚拟环境:

深度学习云服务器配置(深度学习环境配置指南)(39)

3.2 pytorch cpu版本安装

打开pytorch官网:https://pytorch.org/

深度学习云服务器配置(深度学习环境配置指南)(40)

激活刚刚创建的虚拟环境:conda activate pytorch在安装之前先添加下面这个源:

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch

然后输入下面代码:

conda install pytorch torchvision cpuonly -c pytorch

深度学习云服务器配置(深度学习环境配置指南)(41)

等到安装好后测试一下是否安装完成:

import torch print(torch.__version__)

输出如下则安装成功:

深度学习云服务器配置(深度学习环境配置指南)(42)

3.3 pytorch-gpu安装3.3.1 GPU驱动安装

执行命令:' ubuntu-drivers devices'

== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 == modalias : pci:v000010DEd00001C8Dsv00001028sd0000086Fbc03sc02i00 vendor : NVIDIA Corporation model : GP107M [GeForce GTX 1050 Mobile] driver : nvidia-driver-390 - distro non-free driver : nvidia-driver-435 - distro non-free driver : nvidia-driver-440 - distro non-free recommended driver : xserver-xorg-video-nouveau - distro free builtin == /sys/devices/pci0000:00/0000:00:14.3 == modalias : pci:v00008086d0000A370sv00008086sd000042A4bc02sc80i00 vendor : Intel Corporation model : Wireless-AC 9560 [Jefferson Peak] manual_install: True driver : backport-iwlwifi-dkms - distro free 大家可以看到,这里有个设备是GTX1050。推荐安装驱动是440。

安装所有推荐驱动

sudo ubuntu-drivers autoinstall

安装一个驱动

sudo apt install nvidia-440

3.3.2 安装cuda

cuda安装需要对应合适的显卡驱动。下面是驱动和cuda的版本对应关系

Table 1. CUDA Toolkit and Compatible Driver Versions CUDA Toolkit Linux x86_64 Driver Version Windows x86_64 Driver Version CUDA 10.2.89 >= 440.33 >= 441.22 CUDA 10.1 (10.1.105 general release, and updates) >= 418.39 >= 418.96 CUDA 10.0.130 >= 410.48 >= 411.31 CUDA 9.2 (9.2.148 Update 1) >= 396.37 >= 398.26 CUDA 9.2 (9.2.88) >= 396.26 >= 397.44 CUDA 9.1 (9.1.85) >= 390.46 >= 391.29 CUDA 9.0 (9.0.76) >= 384.81 >= 385.54 CUDA 8.0 (8.0.61 GA2) >= 375.26 >= 376.51 CUDA 8.0 (8.0.44) >= 367.48 >= 369.30 CUDA 7.5 (7.5.16) >= 352.31 >= 353.66 CUDA 7.0 (7.0.28) >= 346.46 >= 347.62

cuda下载链接:http://suo.im/6dY8rLInstaller Type选择第一第二个都可。但是要在获得cuda文件后先检测gcc版本。下面以第一个runfile(local)安装方式为例。

linux一般会自带了gcc,我们先检测一下自己系统的gcc版本

gcc --version

而cuda的gcc依赖版本在官方文档的安装指南上会给出

深度学习云服务器配置(深度学习环境配置指南)(43)

深度学习云服务器配置(深度学习环境配置指南)(44)

如果版本和cuda依赖gcc不对应,就安装cuda需要的版本

sudo apt-get install gcc-7.0 sudo apt-get install g -7.0

安装完成后需要更换系统gcc版本

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 50 sudo update-alternatives --install /usr/bin/g g /usr/bin/g -7 50

选择需要的版本

sudo update-alternatives --config gcc 选择 路径 优先级 状态 ------------------------------------------------------------ * 0 /usr/bin/gcc-9 50 自动模式 1 /usr/bin/g -9 50 手动模式 2 /usr/bin/gcc-7 50 手动模式

输入前面显示的编号即可。

sudo sh cuda_你的版本_linux.run

sudo vim ~/.bashrc

将下面的命令复制进去

export PATH=/usr/local/cuda-10.2/bin${PATH: :$PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH: :${LD_LIBRARY_PATH}} 检查是否安装成功 nvcc -V

3.3.3 安装cudnn

https://developer.nvidia.com/cudnn 选择对应cuda的版本即可

深度学习云服务器配置(深度学习环境配置指南)(45)

然后将cudnn解压后的include和lib64文件夹复制到cuda中

sudo cp cuda/include/cudnn.h /usr/local/cuda-10.2/include #解压后的文件夹名字为cuda-10.2 sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.2/lib64 sudo chmod a r /usr/local/cuda-10.2/include/cudnn.h /usr/local/cuda-10.2/lib64/libcudnn*3.3.4 安装pytorch-gpu

深度学习云服务器配置(深度学习环境配置指南)(46)

conda安装:

# 选择自己对应的cuda版本 conda install pytorch torchvision cudatoolkit=10.2 pip安装: pip install torch torchvision -i https://pypi.mirrors.ustc.edu.cn/simple

四、写在最后

所有的深度学习环境安装指南到这里就结束了,希望能解决你面临的环境配置难题。

,