Windows深度学习基础环境搭建
Cuda 和 Cudnn¶
后验证，如果是不做tensorrt或者onnx的部署，不需要安装Cuda和Cudnn，在安装pytorch的时候，自动就会安装相关的工具。
先在cmd环境使用nvidia-smi指令查看cuda支持的最高版本，我在下载40系显卡的cuda的时候还有最低版本的要求，网上说是11.8，但是自己未测试，所以不知道。
nvidia-smi
C:\Users\LQH>nvidia-smi
Thu Dec 5 13:25:49 2024
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 551.76 Driver Version: 551.76 CUDA Version: 12.4 |
|-----------------------------------------+------------------------+----------------------+
| GPU Name TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+========================+======================|
| 0 NVIDIA GeForce RTX 4060 WDDM | 00000000:01:00.0 On | N/A |
| 0% 38C P8 N/A / 115W | 1029MiB / 8188MiB | 0% Default |
| | | N/A |
+-----------------------------------------+------------------------+----------------------+
我这里的Cuda Version是12.4版本，所以需要下载不能超过12.4版本的Cuda以及对应版本的Cudnn。
然后去Cuda官网和Cudnn官网下载自己适合的版本，cudnn下载的是个压缩包，然后记得和Cuda下载相应版本。
注意：下载后安装Cuda，安装选择自定义，如果是第一次安装，全选即可，但是可能会报一个没有vs的错，如果你的电脑装了Visual Studio就不用管，没有装的话就把Cuda中的这个与Visual Studio有关的选项取消勾选安装。
安装完成后可以使用nvcc -V查看是否安装完成。
nvcc -V
C:\Users\LQH>nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Mon_Apr__3_17:36:15_Pacific_Daylight_Time_2023
Cuda compilation tools, release 12.1, V12.1.105
Build cuda_12.1.r12.1/compiler.32688072_0
解压Cudnn的压缩包，将里面的3个文件复制到我们安装的cuda文件夹目录下，默认是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1，然后添加以下文件路径到环境变量。不要重复添加，因为有的环境路径可能在你安装Cuda的时候就安装了。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp
Miniconda安装¶
anaconda比较臃肿，直接安装miniconda就行，官网下载太慢的话可以去清华镜像源Miniconda镜像选择指定版本的Conda镜像。
下载过程中就选择一下安装目录，记得在选择使用对象的时候选用他推荐的，就是仅个人使用那个选项，不要选择全局安装，那样每次都要用管理员权限。这个部分往后的教程，都是写的选择个人使用的方案。注意安装路径最好不要在C盘。
安装完成后，打开Miniconda自带的终端软件，可以使用以下命令创建新环境
可以通过以下指令查看安装的环境
创建完成后使用以下命令跳转到该环境
要退出的话
删除目标环境
添加清华源，国外源下载包可能比较慢，所以我们查看清华源的文档，进行换源。官方帮助文档
2024_12_05:现在文档的步骤是
就会在用户目录下如C:\Users\<YourUserName>\.condarc生成一个.condarc，然后将该文件打开，加入以下内容
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
即可添加 Anaconda Python 免费仓库。
一般安装python库的话，要么使用pip安装，要么使用conda安装，最好不要同时使用，相互间的依赖文件可能会冲突。但是有的时候，缺少一些库文件的时候，可以用pip把对应的包删除掉，再使用conda安装，可能会安装好。
pip换源¶
在刚建立好的conda的环境下，使用以下指令进行pip的换源。刚刚换的源是Conda的源，但是我们很多时候可能使用的是pip来进行安装下载。所以需要将pip的源换成国内源。
Pytorch环境安装¶
到官网选择指定版本安装即可，但是一般不推荐使用这种方式，因为国内连接经常失效。
可以直接到whl/torch_stable网页中安装对应的whl文件，然后再pip下载对应的whl，如果翻q可能会快一点。
一般我们会安装3个工具，torch、torchvision、torchaudio。版本间对应关系可以参考博客，他博客中的对应关系分别来自官方文档torchvision和torchaudio，中的表格。自己选择项目对应的版本进行下载。
安装完成后测试
import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.backends.cudnn.version())
print(torch.cuda.is_available())
Opencv环境搭建¶
安装opencv
安装opencv-contrib-python
创建软链接¶
由于很多地方需要数据集，但是部分项目如果使用全局变量可能需要修改源码的部分，所以使用软链接，用管理员方式打开cmd命令提示符，然后执行以下指令。