[环境配置] 2. 依赖库安装

依赖库安装

本文档详细介绍深度学习项目所需的核心依赖库安装过程，包括 CUDA、PyTorch 等组件的安装和配置。

CUDA和cuDNN安装

CUDA安装

1. 检查显卡是否支持CUDA：

   • 访问NVIDIA官网查看支持列表
   • 使用命令 nvidia-smi 查看显卡信息

2. 下载安装CUDA Toolkit：

   • 访问CUDA下载页面
   • 选择对应的操作系统和版本
   • 推荐版本：CUDA 11.7或11.8

3. 验证安装：

   nvcc --version

cuDNN安装

1. 在NVIDIA开发者网站下载cuDNN

   • 需要注册NVIDIA开发者账号
   • 选择与CUDA版本匹配的cuDNN

2. 安装步骤：

   • Windows：解压并复制文件到CUDA安装目录
   • Linux：使用包管理器安装

使用conda安装CUDA和cuDNN

1. 创建conda环境：

   conda create -n myenv python=3.9

2. 激活环境：

   conda activate myenv

3. 安装CUDA和cuDNN：

   conda install -c nvidia cuda=11.7 cudnn=8.5.0
   conda install -c conda-forge cudatoolkit=11.8 cudnn=8.6.0

4. 验证安装：

   nvcc --version

注意：

要保证 CUDA 和 cuDNN 相互兼容，同时也要和你使用的深度学习框架（如 TensorFlow、 PyTorch ）相匹配。

例如，如果你使用的是 CUDA 11.7 和 cuDNN 8.5.0，那么你应该选择与 CUDA 11.7 兼容的 PyTorch 版本，比如 PyTorch 1.11.0。

PyTorch安装配置

选择合适的PyTorch版本

• 访问PyTorch官网

• 选择对应的CUDA版本

• 使用pip或conda安装：

  # 使用pip安装
  pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
  
  # 使用conda安装
  conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

验证PyTorch安装

import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

常用依赖库安装

基础科学计算库

pip install numpy pandas scipy matplotlib

机器学习相关库

pip install scikit-learn

深度学习工具库

pip install tensorboard
pip install opencv-python
pip install pillow

开发工具库

pip install jupyter
pip install ipython
pip install tqdm

依赖版本管理

导出依赖

# 导出所有依赖
pip freeze > requirements.txt

# 导出conda环境
conda env export > environment.yml

安装依赖

# 使用pip安装
pip install -r requirements.txt

# 使用conda安装
conda env create -f environment.yml

版本兼容性

推荐版本组合

• Python 3.8/3.9
• CUDA 11.7
• cuDNN 8.5.0
• PyTorch 2.0.0+

注意事项

1. 确保CUDA、PyTorch和cuDNN版本相互兼容
2. 定期更新依赖库到稳定版本
3. 在安装新库前检查版本兼容性
4. 保持依赖文件的及时更新