换了新电脑，重新装一下anaconda这些编程环境。好久没装过了，自己也需要查查资料，然后记录一下，分享给别人。
目标，三个环境：1.anaconda基础环境（包含xgboost和lightgbm），2.TensorFlow环境，3.Pytorch环境（能用GPU加速的那种。）
Anaconda安装
这个装了太多次了，很简单，选一个自己喜欢的版本下载就行。一般没什么特殊要求就直接开官网下载就行：Distribution | Anaconda
之前是打开直接点下载，现在还需要你填邮件，当然也可以点击跳过。然后找自己对应的电脑系统安装就行。
我看了一下，这个Windows版本是py3.11，我觉得太高了，就去以往的列表找一下之前的版本的安装包。Index of / (anaconda.com)
我看这个2023年的7月感觉不错，我就下载这个版本安装了。
下载好的exe文件直接双击运行：
点击下一步，我同意，然后这里可以选自己用，也可以选所有人用：
选择安装路径
这个选前2个就行：
第三个是清除安装包，我觉得没必要。
然后等待安装完成：
一直点击继续，到最后这两个去掉勾选就行了。
点击完成！基础的环境就安装好了。
环境变量
查看一下anaconda路径有没有在环境变量里面，其实不在环境变量里面也不影响运行，但是在的话更好，这与会避免后面可能的报错。
在查找里面搜索如下的 编辑系统环境变量，
点击环境变量
在用户变量里面找到Path这一列，双击
我里面没得环境变量，按道理来说安装的时候会让你勾选的。我这个安装包没看见，所以我自己手动把anaconda，还有里面的带bin 和scripts的这些路径都添加到环境变量了。同学可以模仿这个路径复制进去就行。
设置好之后点确定确定。
然后win+r，输入cmd，打开
输入下面红色框框的东西，出现了信息就说明安装好了，环境变量也成功了。
安装xgboost和lightgbm
这两个包时做表格数据的机器学习效果最好的模型。若是不需要的同学，只做深度学习的话就可以跳过。
在菜单键的所有应用中，打开anaconda的命令提示符，
输入：
python
pip install xgboost
等待安装好就行。
若出现一屏幕的红色字体报错的话：
不要慌，你看见time out就表示是超时了，我们只需要再输入一遍回车等待就行。还超时的话就不停地输入这个安装命令和回车。。装好为止。
lightgbm也是一样的
python
pip install lightgbm
等待安装好就行。
测试
装好了，当然要看看能不能正常运行了。我们首先打开jupyter notebook（现在实习的公司用的是jupyter lab，都可以，我比较喜欢notebook）
还是打开conda的命令提示符：
切换到D盘（因为我代码放在D盘的），然后输入jupyter notebook
等待一下，就能看到下面的网址了
按道理来说，一个会自动跳转到默认的浏览器打开他们的，但是我新电脑没有跳转。。算了，无伤大雅，我手动复制到浏览器打开，然后沿着代码文件的路径进去打开要运行的代码文件：
直接重启运行全部代码
OK完美运行，速度很快（毕竟是新电脑）
测试完成！基础环境就已经装好了，下面来装TensorFlow。
TensorFlow安装
选择版本
深度学习首先得问题就是用CPU跑，还是GPU跑。。我当然想用GPU跑，不然买新电脑是做啥、、GPU跑得多块，一下就训练完了。然后库的版本，我其实也想装个比较新的版本，但是TensorFlow的环境这几年真的不太行了，毕竟谷歌自己都不怎么用了，现在都去弄pytorch了。
然后我自己去官网看了看：
Build from source on Windows | TensorFlow (google.cn)
发现他们从2.10版本之后的版本，win系统都不支持cuda了，见鬼，看来我想装2.11版本以上的TensorFlow 这英伟达显卡起不来作用了，那就老老实实装CPU版本吧。
看看CPU版本的对照型号：
我还是感觉太新的版本不好，咋们就来个python3.11，TensorFlow2.15的吧。
虚拟环境安装
为什么要创建虚拟环境呢？就是防止版本冲突，深度学习依赖的库太多，要是你在基础环境里面哪天不小心升级了一个包，然后整个深度学习框架不能用了就会很尴尬。。
所以我们先要创建一个虚拟环境，然后在里面安装TensorFlow。
还是打开命令提示符，输入下面的代码
python
conda create --name tensorflow_env python=3.11 anaconda这一行的功能是创建一个名称为："tensorflow_env"的虚拟环境，安装py3.11的内核，我后面带了一个anaconda是因为我喜欢在这个TensorFlow环境里面把所有的anaconda组件都带上，免得如果只装py的话，后面还需要安装一堆常用的包（pandas，numpy，seaborn）等。。。
然后会跳出来一堆包的名称，输入y，同意安装
安装好了上面会提示你怎么激活环境，怎么退出环境：
输入"conda activate tensorflow_env"激活虚拟环境后，还可以在里面"conda --version"，查看版本信息，'conda info'，还可以看看里面有哪些库："pip list"
然后就是安装TensorFlow了。很简单其实，就是pip就行了。我还作死看了一下他默认给我装的3.11是3.11几，一看好家伙，是3.11.9，这无线接近3.12的版本的py能上TensorFlow2.15吗，我只能先试试了。
输入：
python
pip install tensorflow==2.15.0
然后等待安装
仔细一看他装的包，keras就在里面，不用额外装了。
感觉可以用了，我去跑个代码试试：
可以没问题是能运行的，但是好像keras库里面发出来警告，keras里面的TensorFlow的api没有更新，虽然能用。。但是好像也不长久了。。没事，反正后面keras也可以用pytorch的框架了，想这样过渡凑合着用吧。
（ps，不想这样被警告的同学，可以换TensorFlow2.14版本试一下，说不定就还好。）
TensorFlow安装完成！虽然用不了GPU加速，但是也还不错了，也是没办法的事情官网都不支持cuda了。
下面去安装pytorch 的环境。pytorch就可以用gpu了。
Pytorch安装
版本选择
pytorch的安装就有点讲究了，除了前面说的虚拟环境外，torch包的版本，py 的版本，还有cuda 的版本要都对应上。
（不过现在的pytorch安装是不需要装什么cuda驱动的，只要版本是对的，就一行命令就安装好了）
首先在英伟达的控制面板里面去找自己显卡的的CUDA Toolkit的版本
没这个就在搜索里面搜
可以看到我的CUDA Toolkit是12.2.146的版本，也就是说CUDA 12.2以下的版本应该都是支持的。
怎么查看cuda和pytorch版本的关系呢？，可以查看官网的安装命令：
Previous PyTorch Versions | PyTorch
上面会有每个torch版本的对应的cuda的版本命令：
例如这里的2.2.2就支持cuda11.8和12.2的版本。
那我们12.2的cuda就都可以选了，无所谓，那就来最新版本的pytorch2.3吧！
我就准备用这个命令安装了。
cuda和pytorch版本对应了后，去找python 的版本。
然后去官网查看py和pytorch的版本对应关系：
GitHub - pytorch/vision: Datasets, Transforms and Models specific to Computer Vision
其实基本上3.8-3.11这个版本的python都是支持2.0以上版本的 torch 的。
那我们还是弄一个3.11版本的py吧。
开始安装!
虚拟环境安装
所以我们先要创建一个虚拟环境，然后在里面安装pytorch。
还是打开命令提示符，输入下面的代码
python
conda create --name pytorch_env python=3.11这一行的功能是创建一个名称为："pytorch_env"的虚拟环境，安装py3.11的内核，这次后面没有带anaconda，所以这个环境后面还需要安装一堆常用的数据科学的包（pandas，numpy，seaborn）等。。。
然后还是会跳出来一堆包的名称，但是明显少一些，都是很基础的包。输入y，同意安装
安装好了上面会提示你怎么激活环境，怎么退出环境：
同样我们激活这个虚拟环境
python
conda activate pytorch_env然后我从官网上掏出了最新的安装命令：Start Locally | PyTorch
python
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121我是cuda是最新的12.2才敢这样做的，其他同学的版本不一样的可不要学我，要去查找对应cuda 的torch版本的安装命令。
等待安装，包还挺大。
（等待安装的时候我就在想，这个torch环境在anaconda里面，所以我外面要装stable diffusion的时候还要装一下torch环境，不过这样也好，隔开的，一个科研跑数据，一个画画，挺好的。）
安装过程可能会提示你什么什么包没有，装一下就好了。然后还可以反复运行上面pytorch 的安装代码，没事，就反复运行尝试就行。
还可以参考李沐老师的这本书的教程，b站也有网课。
安装 --- 动手学深度学习 2.0.0 documentation (d2l.ai)
pytorch 的生态和环境还是很丰富，啥问题都可以上网找得到的。
安装完了， 我在这个虚拟环境下输入python，进入py 的环境，然后输入下面的py代码测试是不是能用到cuda显卡：
python
import torch
torch.cuda.is_available()
好耶，是可以的。看来现在的pytorch安装是不需要装什么cuda驱动的。
安装完了，我去跑个代码试试，找了个vgg，还有点大的神经网络。
完全能运行，一点问题都没有。我显卡被狂用。。温度上升。。
大功告成！机器学习和深度学习的环境都装备好了！ 后面就轻松愉快的写代码了
（创作不易，各位看官觉得还不错能帮到你们就点个赞和收藏吧）