【深度学习Day1】环境配置（CUDA、PyTorch）

深度学习-学习记录

紧张的秋季学期结束了，趁着这个时间学点深度学习吧！

参考资料：动手学习深度学习

本栏目为学习记录，可能与原教程有出入，仅供参考！

知识体系如下：

开发环境安装

之前已安装过Anaconda环境，不再重复安装。教程使用Miniconda环境，Miniconda是一个轻量级的conda发行版，可以用于替代Anaconda，安装速度更快。官方网址

若已安装，可以通过下图方式来检查conda和python版本：

检查Tensorflow版本，是否有GPU和CUDA支持

python 复制代码

import tensorflow as tf
print("TensorFlow 版本:", tf.__version__)
print("GPU 可用:", tf.config.list_physical_devices('GPU'))
print("CUDA 版本:", tf.sysconfig.get_build_info()['cuda_version'])
print("cuDNN 版本:", tf.sysconfig.get_build_info()['cudnn_version'])

检查Torch版本和GPU支持

python 复制代码

import torch
print("PyTorch 版本:", torch.__version__)
print("CUDA 可用:", torch.cuda.is_available())
print("CUDA 版本:", torch.version.cuda)
print("cuDNN 版本:", torch.backends.cudnn.version())
print("GPU 数量:", torch.cuda.device_count())
if torch.cuda.is_available():
    print("当前 GPU:", torch.cuda.get_device_name(0))

以我的情况为例，我没有安装PyTorch和CUDA，下面补充安装

安装CUDA

CUDA是NVIDIA提供的深度学习计算平台，可以加速深度学习计算。官方下载地址

首先在命令行输入以下命令，查看显卡型号和驱动版本

复制代码

nvidia-smi

如下图，我的CUDA Version显示12.3，意味着我只能安装12.3及以下版本的CUDA。

在官网中选择对应版本和操作系统，安装。

双击安装程序

更改安装路径后，安装(该路径为暂时解压缩路径，一旦安装程序完成，该临时文件夹会被清理，但是提取过程会占用文件夹的存储空间，需要足够的空间来存放解压后的文件。)

继续

同意并继续

自定义，下一步

CUDA必选，其他组件根据需要选择

修改安装路径，下一步

下一步

选择是否创建快捷方式，关闭

验证是否安装完成，在命令行输入

复制代码

nvcc -V

出现对应版本号，代表安装成功

安装PyTorch

在命令行输入

shell 复制代码

pip install torch==1.12.0
pip install torchvision==0.13.0

安装D2L库，以方便调取教程中经常使用的函数和类

复制代码

pip install d2l==0.17.6

程序会自动校验依赖库的版本并匹配

安装D2L Notebook

D2L Notebook是深度学习的交互式教程，可以直接在浏览器中运行代码。

在命令行中运行

复制代码

mkdir d2l-zh && cd d2l-zh
curl https://zh-v2.d2l.ai/d2l-zh-2.0.0.zip -o d2l-zh.zip
unzip d2l-zh.zip && rm d2l-zh.zip
cd pytorch

安装完成后我们可以通过运行以下命令打开Jupyter笔记本（在Window系统的命令行窗口中运行以下命令前，需先将当前路径定位到刚下载的本书代码解压后的目录）：

复制代码

jupyter notebook

现在可以在Web浏览器中打开http://localhost:8888（通常会自动打开）。

由此，我们可以运行书中每个部分的代码。在运行代码、更新深度学习框架或d2l软件包之前，请始终执行以激活运行时环境

复制代码

conda activate d2l

要退出环境，请运行

复制代码

conda deactivate