学习PaddlePaddle--环境配置-Windows 11 + RTX 4060

终极详细指南:Windows 11 + RTX 4060 配置 PaddlePaddle 分割训练环境​​

​​第一阶段:安装 NVIDIA 显卡驱动​​

​​目标:​​ 确保您的 RTX 4060 显卡拥有最新、最稳定序,这是所有GPU计算的基础。

​​详细步骤:​​

​​打开浏览器​​: 双击桌面上的 Chrome、Edge 或其他浏览器图标。

​​访问下载页面​​: 在地址栏中输入以下网址并回车:

https://www.nvidia.com/Download/index.aspx

​​选择产品参数​​:

​​产品类型​​: 从下拉菜单中选择 GeForce。

​​产品系列​​: 选择 GeForce RTX 40 Series。

​​产品家族​​: 选择 GeForce RTX 4060。

​​操作系统​​: 确保选择的是 Windows 11。

​​语言​​: 选择 简体中文。

​​点击蓝色的「搜索」按钮​​。

​​下载驱动​​:

页面会跳转到最新版驱动的详细信息页。

点击绿色的 下载按钮。

在弹出的窗口中,再次点击 下载开始下载安装程序。文件名为类似 536.99-desktop-win10-win11-64bit-international-dch-whql.exe。

​​安装驱动​​:

找到下载好的文件(通常在 Downloads文件夹中),双击运行它。

屏幕可能会闪烁一下变黑,这是正常现象。

会出现 NVIDIA 安装程序窗口。

​​安装选项​​: 强烈建议选择 NVIDIA GPU 驱动程序下的 精简 (推荐)。其他组件如 GeForce Experience可按需选择,但非必需。

点击 下一步,安装程序将开始提取和安装文件。

安装过程中屏幕可能会闪烁数次。

安装完成后,点击 关闭。​​根据提示,强烈建议您「重新启动」电脑​​。

​​验证安装​​:

电脑重启后,按键盘上的 Win + R键(Win键是键盘上的Windows徽标键)。

在弹出的"运行"窗口中,输入 cmd,然后按回车。这会打开一个黑色的命令提示符窗口。

在命令提示符中,输入命令:nvidia-smi

按回车后,您应该会看到一个表格,显示了您的显卡信息(​​NVIDIA GeForce RTX 4060​​)、驱动程序版本(如 ​​536.99​​)和支持的 CUDA 版本(如 ​​12.2​​)。​​这个界面是GPU工作的"仪表盘",看到它就说明驱动安装成功。​​

​​第二阶段:安装 CUDA 和 cuDNN​​

​​目标:​​ 为 PaddlePaddle 提供操作 GPU 进行深度学习的底层计算工具。

​​重要概念:​​

​​CUDA​​: 是 NVIDIA 推出的通用并行计算架构,允许软件开发者直接利用 GPU 进行计算。

​​cuDNN​​: 是 NVIDIA 推出的用于深度神经网络的 GPU 加速库,针对常见深度学习操作(如卷积、池化)进行了高度优化。

​​详细步骤:​​

​​A. 安装 CUDA Toolkit 11.8​​

​​访问下载页面​​: 在浏览器中打开:

https://developer.nvidia.com/cuda-toolkit-archive

​​选择版本​​: 在列表中找到并点击 CUDA Toolkit 11.8.0。

​​选择安装参数​​:

​​操作系统​​: Windows

​​架构​​: x86_64

​​版本​​: 10(这里选10,它也完全兼容Windows 11)

​​安装程序类型​​: exe (local)

​​下载​​: 点击底部的 Download按钮开始下载。文件较大(约2.6GB),名为 cuda_11.8.0_522.06_windows.exe。

​​安装 CUDA​​:

双击运行下载的安装程序。

会出现一个临时解压路径,直接点 OK。

进入安装程序主界面后,选择 自定义安装方式(​​重要!不要选精简​​)。

在组件选择页面:

在主程序 CUDA节点下,​​取消勾选 Visual Studio Integration​​ (除非你确定需要它)。

在 Driver components节点下,​​查看并确保勾选了 Display Driver​​。如果后面的版本号比你当前安装的驱动版本​​旧​​,​​务必取消勾选它!​​ 我们已经安装了更新的驱动,不需要再被覆盖。如果版本号更新,可以保留。

其他组件保持默认勾选即可。

点击 下一步,选择安装位置(​​强烈建议使用默认路径​​:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8),然后开始安装。

安装完成后,点击 关闭。

​​验证 CUDA 安装​​:

重新打开 cmd命令提示符。

输入命令:nvcc -V

如果安装成功,你会看到 nvcc: NVIDIA ® Cuda compiler driver以及版本信息,这证明 CUDA 编译器已正确安装并加入系统路径。

​​B. 安装 cuDNN​​

​​访问下载页面​​: 在浏览器中打开:

https://developer.nvidia.com/cudnn

​​登录/注册​​: 你需要一个免费的 NVIDIA 开发者账号才能下载。请注册或登录。

​​选择版本​​: 点击 Download cuDNN,在列表中找到与 ​​CUDA 11.x​​ 兼容的版本。例如 Download cuDNN v8.9.5 (November 7th, 2023), for CUDA 11.x。

​​下载​​: 点击 Local Installer for Windows (Zip)下的链接进行下载。文件名为 cudnn-windows-x86_64-8.9.5.29_cuda11-archive.zip。

​​安装 cuDNN (实为复制文件)​​:

将下载的 Zip 压缩包解压。你可以在它上面点右键,选择 解压到当前文件夹。你会得到一个名为 cudnn-windows-x86_64-8.9.5.29_cuda11-archive的文件夹。

打开这个文件夹,你会看到三个子文件夹:bin, include, lib。

现在打开另一个文件资源管理器窗口,导航到你的 CUDA 安装目录:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。

​​将 cuDNN 文件夹中的内容复制到 CUDA 目录中:​​

将 cudnn-windows...-archive\bin文件夹中的 ​​所有文件​​,复制到 CUDA\v11.8\bin文件夹中。

将 cudnn-windows...-archive\include文件夹中的 ​​所有文件​​,复制到 CUDA\v11.8\include文件夹中。

将 cudnn-windows...-archive\lib文件夹中的 ​​所有文件​​,复制到 CUDA\v11.8\lib\x64文件夹中。

如果遇到"需要管理员权限"的提示,点击"继续"。

​​第三阶段:使用 Conda 管理 Python 环境​​

​​目标:​​ 创建一个干净、独立的 Python 环境,专门用于 PaddlePaddle,避免与系统中其他 Python 项目发生包版本冲突。

​​详细步骤:​​

​​下载 Miniconda​​:

打开浏览器,访问:

https://docs.conda.io/en/latest/miniconda.html

下载 ​​Miniconda3 Windows 64-bit​​ 安装程序(推荐 Python 3.8 或 3.9 版本)。

​​安装 Miniconda​​:

双击运行下载的 Miniconda3-py38_23.5.2-0-Windows-x86_64.exe文件。

​​安装选项​​:

Install for:选择 Just Me。

Destination Folder: 使用默认路径(如 C:\Users\你的用户名\Miniconda3)。

​​Advanced Options​​: ​​务必勾选 Add Miniconda3 to my PATH environment variable​​ 和 Register Miniconda3 as my default Python 3.8。虽然不推荐通常这样做,但对于我们的单一用途来说,这会简化操作。

点击 Install,完成后点击 Next和 Finish。

​​打开 Conda 终端​​:

点击 Windows 开始菜单,输入 Anaconda,你应该能看到一个 ​​Anaconda Prompt (miniconda3)​​ 的快捷方式。​​请始终使用这个来执行后续所有命令​​,不要用普通的 cmd或 PowerShell。

​​创建专用环境​​:

在打开的 Anaconda Prompt 中,输入以下命令来创建一个名为 ppseg的新环境,并指定 Python 版本为 3.8:

conda create -n ppseg python=3.8

命令行会提示你确认安装计划,输入 y并按回车。

环境创建完成后,​​激活​​这个环境。你会注意到命令行的前缀从 (base)变成了 (ppseg),这表示你已进入该环境。

conda activate ppseg

​​第四阶段:安装 PaddlePaddle 及所有依赖​​

​​目标:​​ 在准备好的环境中安装所有必需的软件库。

​​详细步骤:​​

​​安装 PaddlePaddle-GPU​​ (在已激活的 (ppseg)环境中执行):

这是最核心的一步。使用以下命令安装与 CUDA 11.8 匹配的 PaddlePaddle 版本。​​请直接复制粘贴整个命令​​:

python -m pip install paddlepaddle-gpu==2.5.1.post117 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html

这个命令会从 PaddlePaddle 的官方仓库下载预编译的 wheel 包。等待安装完成,这个过程会下载约 800MB 的文件。

​​安装必备的辅助库​​:

在同一个 (ppseg)环境中,依次运行以下命令来安装数据处理和可视化库:

pip install opencv-python # 图像处理库

pip install matplotlib # 绘图和可视化库

pip install scikit-learn # 机器学习工具,用于计算评估指标

pip install tqdm # 显示进度条,让训练过程更直观

pip install pandas # 数据处理和分析(可选但常用)

​​安装 PaddleSeg​​:

这是 PaddlePaddle 官方为图像分割任务开发的高层 API 工具包,极大简化了训练流程。

pip install paddleseg

​​第五阶段:最终验证与测试​​

​​目标:​​ 确认所有组件都已正确安装且能协同工作,特别是 PaddlePaddle 能成功调用 GPU。

​​详细步骤:​​

​​编写验证脚本​​:

在 Anaconda Prompt (ppseg环境已激活) 中,直接输入 python并按回车,进入 Python 交互式界面(提示符变为 >>>)。

​​逐行执行测试代码​​:

请将以下代码​​一行一行地​​复制粘贴到 >>>提示符后,并按回车执行。观察每一行的输出。

导入核心库

import paddle

import paddleseg

import cv2

import matplotlib

打印版本信息

print("=== 版本信息 ===")

print("PaddlePaddle 版本:", paddle.version )

print("PaddleSeg 版本:", paddleseg.version )

print("OpenCV 版本:", cv2.version)

print("\n=== GPU 关键验证 ===")

检查Paddle是否支持CUDA编译

is_cuda_available = paddle.device.is_compiled_with_cuda()

print("PaddlePaddle 是否由CUDA编译 (必须为 True):", is_cuda_available)

检查当前是否有可用的GPU

is_gpu_available = paddle.device.is_compiled_with_cuda() and paddle.device.cuda.device_count() > 0

print("是否有可用的GPU (必须为 True):", is_gpu_available)

获取当前使用的设备

current_device = paddle.device.get_device()

print("当前激活的设备:", current_device)

print("\n=== 实战测试 ===")

尝试在GPU上创建一个随机张量并进行一个简单计算

if is_gpu_available:

设置设备为GPU

paddle.device.set_device('gpu:0')

创建两个随机张量

x = paddle.rand([3, 5])

y = paddle.rand([3, 5])

在GPU上进行矩阵相加

z = x + y

查看结果张量所在的设备

print("计算完成!结果张量位于:", z.place)

print("张量形状:", z.shape)

print("前几个元素值:", z.numpy()[:, :2]) # 转换为numpy查看部分值

else:

print("警告:未检测到GPU,将在CPU上运行。请检查安装。")

​​分析预期结果​​:

如果一切顺利,你将看到类似以下的输出。​​最关键的是两个 True和 gpu:0​​:

=== 版本信息 ===

PaddlePaddle 版本: 2.5.1

PaddleSeg 版本: 2.8.0

OpenCV 版本: 4.8.1

=== GPU 关键验证 ===

PaddlePaddle 是否由CUDA编译 (必须为 True): True

是否有可用的GPU (必须为 True): True

当前激活的设备: gpu:0

=== 实战测试 ===

计算完成!结果张量位于: Place(gpu:0)

张量形状: [3, 5]

前几个元素值: [[0.763 1.234]

0.456 0.789

1.002 1.576\]

​​恭喜您!​​

如果您得到了上述类似的成功输出,意味着您的 ​​Windows 11 + RTX 4060​​ 深度学习环境已经​​完美配置成功​​!您现在可以开始使用 PaddlePaddle 和 PaddleSeg 来训练和部署您的图像分割模型了。

下一步,建议访问 PaddleSeg 官方 GitHub (https://github.com/PaddlePaddle/PaddleSeg) 查阅文档和教程,开始您的第一个分割项目。

相关推荐
qq_339191143 小时前
深度学习玩游戏, 模型玩游戏,大模型+游戏 llm+game, 机器学习玩游戏,人工智能游戏陪伴,模型陪玩游戏
人工智能·深度学习·玩游戏
zskj_qcxjqr3 小时前
七彩喜微高压氧舱:科技与体验的双重革新,重新定义家用氧疗新标杆
大数据·人工智能·科技·机器人
2501_930799243 小时前
访答知识库#Pdf转word#人工智能#Al编辑器#访答PAG#企业知识库……
人工智能
说私域4 小时前
基于开源AI智能名片链动2+1模式S2B2C商城小程序的公益课引流策略研究
人工智能·小程序·开源
WangYan20224 小时前
MATLAB 2023a深度学习工具箱全面解析:从CNN、RNN、GAN到YOLO与U-Net,涵盖模型解释、迁移学习、时间序列预测与图像生成的完整实战指南
深度学习·matlab·matlab 2023a
今人不见古时月,今月曾经照古人4 小时前
将 Android 设备的所有系统日志(包括内核日志、系统服务日志等)完整拷贝到 Windows 本地
windows·adb
组合缺一4 小时前
搭建基于 Solon AI 的 Streamable MCP 服务并部署至阿里云百炼
java·人工智能·solon·mcp
qinyia4 小时前
Wisdom SSH 是一款集成了强大 AI 助手功能的 SSH 工具,助你高效管理服务器。
服务器·人工智能·ssh
IT_陈寒4 小时前
SpringBoot 3.x实战:5种高并发场景下的性能优化秘籍,让你的应用快如闪电!
前端·人工智能·后端