本地配置Python+PyCharm+PyTorch+CUDA深度学习环境

前言

远程链接Linux服务器 – Windows：详见本人另一篇文章，链接。
Linux服务器配置Python+PyTorch+CUDA深度学习环境，链接。
Python安装第三方库：详见本人另一篇文章，链接。
pip常用命令：详见本人另一篇文章，链接。

本文介绍Windows系统如何在本地配置Python+PyCharm+PyTorch+CUDA深度学习环境。包含配置Python环境、安装PyCharm、安装CUDA（可选）、安装cuDNN（可选）、配置PyTorch+CUDA环境，等内容。

首先，你需要一台具有NVIDIA（英伟达）显卡的Windows电脑，并安装好显卡驱动，才能继续以下步骤：

配置Python环境

下载与安装Python

Python官网：链接。
Python各版本下载地址：链接。

关于Python版本的选择问题，如没有特殊需求，都选择Python3，至于具体选择哪个版本，需要考虑用途，若是以学习为目的，可以选择较新的版本，若是以使用为目的，可以选择较稳定的版本。

至于安装，Windows系统在Python官网下载好exe安装包后可以直接安装，建议选择为所有用户安装，并添加环境变量。尽量不要安装在C盘，因为以后可能要安装很多第三方库，会占用C盘空间。

安装好后，打开CMD（命令提示符），输入命令python -V，如果显示出版本号则安装成功，否则可能是没有添加环境变量。要添加环境变量请看下文。

添加Python环境变量

添加环境变量的方法请见我的另一篇文章：链接。

在系统变量的Path中添加安装的Python的路径，示例如下（具体参照自己的Python安装路径）：

D:\Program Files\Python\Python37\
D:\Program Files\Python\Python37\Scripts\

添加好后，重启CMD，再输入命令python -V即可看到Python的版本号，并可以在命令行中使用Python。

安装PyCharm

JetBrains官网：链接。
PyCharm官网：链接。
早期版本的PyCharm下载网址：链接。

至于安装，PyCharm有2个版本，分别是免费的社区版和需要购买的专业版，建议安装专业版，然后自行Crack。

至于设置，请详见我的另一篇文章：链接。

安装CUDA（可选）

首先说明一点，这个步骤是可选的。因为英伟达显卡驱动安装成功后，一般都集成了一部分CUDA模块。若是不放心，也可以单独安装CUDA。

然后我们需要了解一下CUDA是什么： CUDA(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

CUDA官网：链接。
CUDA早期版本下载地址：链接。

下载之前，需要清楚电脑显卡支持的CUDA版本，打开CMD（命令提示符），输入命令nvidia-smi，即可知道支持的最高CUDA版本，如下图：

然后在官网下载对应的CUDA版本，CUDA10.1版本如下图：

至于安装，有两种安装选项，一个是精简安装，一个是自定义安装。精简安装会安装CUDA相关组件，同时也会将显卡驱动重新安装，如果不想重新安装显卡驱动，可以选择自定义安装，接下来介绍自定义安装，如下图：

之后选择需要安装的组件，这里将驱动组件取消，其他保持勾选：

之后会让选择CUDA开发组件、文档、示例的安装位置，此处默认即可，如下图：

结束安装时，这里的选项可以根据需要进行选择：

安装成功后，CMD输入命令nvcc -V来验证是否安装成功，看到如下信息即证明安装成功：

安装cuDNN（可选）

同样，和CUDA一样，安装cuDNN也是可选的。若是想继续安装请查看以下内容。

首先了解一下cuDNN是什么： NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算。

那么，cuDNN和CUDA有什么联系呢：CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。

下面进入安装步骤，安装之前，需要在NVIDIA官网注册一个账号。

NVIDIA官网：链接。
cuDNN官网：链接。
早期版本的cuDNN下载地址：链接。

首先进行下载，下载时要选好对应CUDA版本和Windows10版本的cuDNN，如下图：

下载完成之后将其解压，解压之后的目录如下：

需要将以上三个文件夹复制到CUDA的安装目录中，即可完成cuDNN的安装。

验证安装：通过NVIDIA提供的 deviceQuery.exe 和 bandwidthTest.exe 来查看GPU的状态，两者均在CUDA安装目录的 extras\demo_suite文件夹中，如下图：

首先运行 deviceQuery.exe，可以看到如下结果：

运行 bandwidthTest.exe 看到如下结果：

出现以上信息，即证明安装成功。

配置PyTorch+CUDA环境

PyTorch官网：链接。
早期版本的安装命令：链接。

为Python安装PyTorch第三方库不能使用PyCharm的Settings进行安装，需要使用PyCharm的命令行进行安装，点击PyCharm软件底部的Terminal按钮即可进入命令行，如下图：

在该命令行中可以输入pip命令进行第三方库的安装。安装命令需要查看PyTorch的官网，要选择对应的CUDA版本，CUDA10.1版本如下图：

安装好后在PyCharm命令行中输入pip show torch可以查看已安装的torch详细信息，出现版本信息则证明安装成功，如下图：