我要评论不要盲目一下子就跟着做哦，先从头到尾看一遍哦，合适再来！或者多参考一下很多大佬的！
前言
anaconda+pycharm+nvidia显卡驱动+pytorch（含gpu版）+cuda+cudnn 这种组合就像是一个强大的“开发工具箱”，每一个部分都有其独特的功能，但当它们组合在一起时，它们能够协同工作，使深度学习和其他计算密集型任务变得更加高效和容易。
这些软件之间的协同工作可以视为一个高效的“深度学习生产线”，每个环节都扮演着不可或缺的角色，共同推动深度学习任务的高效完成。
首先，anaconda作为这个生产线的“基础平台”，为整个环境提供了稳定且强大的python支持。它确保了所有需要的python包（如numpy、pandas等）都能得到妥善管理，并通过conda这个包和环境管理器，帮助用户创建和切换不同的工作环境，确保不同项目之间的依赖关系不会相互干扰。
接着，pycharm作为“开发车间”，提供了强大的代码编辑、调试和测试功能。开发者可以在这个舒适的界面中编写、调试和优化python代码，确保深度学习模型的逻辑正确和性能优化。
而nvidia显卡驱动则是这个生产线的“动力源泉”。它确保了显卡能够正常工作，并与操作系统及其他软件无缝对接。对于深度学习任务来说，显卡的计算能力至关重要，而显卡驱动就是激发这种能力的关键。
pytorch（含gpu版）则是这个生产线的“核心生产线”，负责构建和优化深度学习模型。gpu版本的pytorch能够充分利用显卡的并行计算能力，显著加速模型的训练和推理过程。在这里，模型的结构、参数以及训练过程都由pytorch精心管理。
cuda和cudnn则像是生产线上的“高级技工”。cuda提供了与显卡通信的接口，使得pytorch能够调用显卡进行计算。而cudnn则针对深度学习中常见的基本操作进行了优化，为pytorch提供了更加高效的计算工具。这两者的协同工作，使得深度学习任务能够更快地完成。
在整个协同工作的过程中，这些软件之间的数据流动是无缝的。pytorch构建的模型可以在pycharm中进行调试和优化，然后通过cuda和cudnn在显卡上进行高效的计算。而anaconda则确保了整个过程中python环境的稳定和一致。
总的来说，这些软件之间的协同工作构成了一个高效、稳定的深度学习开发环境，使得开发者能够更轻松、更高效地进行深度学习任务的开发和实验。
一、安装anaconda3并配置环境
1.这是我安装anaconda的教程
2. 这里有详细安装环境为python3.7的教程，用于传统机器学习
链接：anaconda3+pycharm 搭建深度学习环境；安装不同框架；配置两个环境；anaconda配置国内镜像源-csdn博客
3. 配置python3.8版本的环境
3. 但目前，项目需要python3.8 ，因为python3.8用于承载pytorch的稳定性相对于其它版本较为良好，所以这里附上我安装python3.8环境的详解，我的环境名为yolo
3.1 默认已经安装好anaconda后，开始菜单找到“anaconda prompt(anaconda)”打开它
3.2 创建新环境，这里yolo是我的环境名字，取啥名任意哈各位~；
conda create --name yolo python=3.8
3.3 输入“y”后，回车确认；
3.4 验证是否创建成功；
conda env list # 查看所有环境
3.5 输入下面指令，回车确认，激活你的环境；
conda activate yolo # 激活环境你的环境
3.6 接下来就是我们 pytorch框架的安装了，但如果是要跟我一样要跑数据集的，那么~，需要安装gpu版的，那么~，建议按照我下面的步骤走，不要急着安装新版的，因为每个项目适应的版本不一样~
二、安装pycharm
这是我安装的教程链接：pycharm安装教程-csdn博客
三、安装nvidia显卡驱动
可以先查看自己电脑显卡驱动的版本，在这里我安装驱动之前，我先查看我电脑的驱动（在下面2.3.1就是），不会查看的朋友可以看下面的《2. 验证是否成功安装好驱动》。
在这里先介绍一下
安装新版nvidia显卡驱动对于运行数据集来说是非常重要的，原因主要有以下几点：
首先，显卡驱动是显卡与计算机操作系统之间的接口，它使得显卡能够正常工作并发挥其应有的性能。当你运行一个数据集时，尤其是涉及图形处理或深度学习等计算密集型任务时，显卡的性能至关重要。因此，安装最新版的显卡驱动可以确保显卡与操作系统之间的兼容性，从而提供最佳的性能和稳定性。
其次，新版显卡驱动通常会修复旧版本中的一些错误和漏洞，提升显卡的性能和稳定性。这意味着在运行数据集时，新版驱动能够更有效地利用显卡的资源，减少出错的可能性，并提升计算速度。
此外，随着技术的发展和新的算法、技术的出现，新版显卡驱动还可能支持新的特性和功能。这些新特性可能有助于更好地处理数据集，提高计算效率，或者为开发者提供更多的灵活性和选择。
综上所述，安装新版nvidia显卡驱动可以确保显卡与操作系统的兼容性，提升显卡的性能和稳定性，并可能支持新的特性和功能，从而有助于更好地运行和处理数据集。
1. 安装对应自己电脑的驱动
1.1 官方链接：官方驱动 | nvidia；
1.2 首先要在设备管理器中查看你的显卡型号；
1.3 在设别管理器中可以看到我们设备的显卡型号啦^_^
1.4 在官网上找自己的显卡型号系列；
根据自己的电脑的配置去选择驱动。这里notebooks是笔记本的意思，所以如果你是笔记本电脑，那么产品系列那个选项就要选择（notebooks）的。还有那个下载类型有两种一个是studio版本，一个是game ready版本。其实两个版本都差不多，一个是偏办公用，一个是偏游戏娱乐。按如下操作将驱动下载下来。
1.5 驱动程序下载，点击下载即可；
1.6 默认安装位置就好，不建议安装到别的盘里；
1.7 执行下一步吧；
1.8 第一次安装，默认精简吧；
1.9 在这里我就不创建桌面快捷方式了，按个人所需勾选吧；
2. 验证是否成功安装好驱动
2.1 使用快捷键windows+r，输入cmd
2.2 输入以下代码
nvidia-smi
2.3 出现下面的信息说明安装成功
来来来，让我们做个对比
2.3.1 这是我电脑没安装更新的驱动配置图片
2.3.2 这是安装完上面的驱动后的图片
如下图的信息图，可以看到驱动的版本是552.22；最高支持的cuda版本是12.4版本。知道下面的信息就可以知道我们电脑最高适配程度，但要注意低版本的pytorch是否向上支持更高版本的cuda，也就是说要看我们需要的项目支持的pytorch版本再来安装对应的cuda，例如在下面的顺序里 3. yolo里支持的pytorch版本！！！！
3. yolo里支持的pytorch版本
3.1 yolov5支持的pytorch版本
这里先浅浅看一下，后面有专门的讲解如何下载github项目即yolov5项目克隆
四、pytorch与cuda版本对应关系汇总
1. pytorch与cuda版本关系
2. cuda 与 cudnn关系
3. pytorch 与 python关系
五、安装cuda
1. 从nvidia官网下载cuda11.1
这里我放百度网盘链接安装包，有需要的朋友自己取哦^_^
链接：https://pan.baidu.com/s/1-6hbfi-pc_f8psevx65xiq?pwd=1234
提取码：1234
--来自百度网盘超级会员v5的分享
1.0 这是官网链接：cuda toolkit archive | nvidia developer
1.1 按照下面红色框框依次点击，最后点击下载；
1.2 下载完后，双击运行，最好默认安装位置；
1.3 点击“继续”；
1.4 还是“同意”；
1.5 这一步选择“自定义”，再点击“下一步”；
1.6 取消勾选“visual studio integration”后，点击“下一步”；
1.7 点击“下一步”；
1.8 点击 “下一步”
1.9 点击“关闭”， 就安装完成了！
六、安装cudnn
1. 从nvidia官网下载cudnn v8.0.4
这里我放百度网盘链接安装包，有需要的朋友自己取哦^_^
链接：https://pan.baidu.com/s/1bnbmgncp9ha659bt9thaxa?pwd=1234
提取码：1234
--来自百度网盘超级会员v5的分享
1.1 这里是官网地址：cudnn archive | nvidia developer
1.2 点击它下载是一个压缩包，如果第一次下载的朋友需要输入邮箱登录，登录即可，登录后还是下载不了，不要慌~，再重新进一下网站，再点击下载即可！
2. 第一步先解开压缩包，再替换cuda里的文件
2.1 c:\program files\nvidia gpu computing toolkit\cuda\v11.1，这是我的默认cuda安装位置路径。如果也是默认安装，那么我们的位置存放都差不多，可以按我的路径找一下文件夹。
2.2 勾选下面的“为所有当前项目执行此操作”，再点击“继续”，即可；
3. 配置系统环境变量
3.1 在桌面“此电脑”，鼠标右键，选择“属性”；
3.2 打开后，鼠标滚轮直接向下划到底，点击“高级系统设置”；
3.3 选择“环境变量”， 就可以在系统变量那里看到我们安装好的cuda了；
3.4 在系统环境变量下面鼠标下滑找到“path”，双击打开；
记住自己的cuda存放位置：c:\program files\nvidia gpu computing toolkit\cuda\v11.1
3.5 点击“新建”，添加环境变量，依次新建五次，添加五次；
c:\program files\nvidia gpu computing toolkit\cuda\v11.1\lib\x64
c:\program files\nvidia gpu computing toolkit\cuda\v11.1\include
c:\program files\nvidia gpu computing toolkit\cuda\v11.1\extras\cupti\lib64
c:\programdata\nvidia corporation\cuda samples\v11.1\bin\win64
c:\programdata\nvidia corporation\cuda samples\v11.1\common\lib\x64
3.6 下图是添加完后的样子，点击“确定”；
如果出现【path环境变量“此环境变量太大, 此对话框允许将值设置为最长2047个字符”问题】那么也可以解决，直接在注册表修改，不会的可以参考一下我推荐的
链接：此环境变量太大, 此对话框允许将值设置为最长2047个字符（一招帮你解决，亲测有效）-阿里云开发者社区 (aliyun.com)
4. 重启电脑，使环境变量配置生效！
5. 验证是否安装成功cuda和cudnn
5.1 使用系统快捷键windows+r，输入cmd，输入切换路径：cd c:\program files\nvidia gpu computing toolkit\cuda\v11.1\extras\demo_suite
# 切换路径
cd c:\program files\nvidia gpu computing toolkit\cuda\v11.1\extras\demo_suite
# 依次输入
bandwidthtest.exe
devicequery.exe5.2 再依次输入bandwidthtest.exe、devicequery.exe，每次都出现‘pass’则成功。
七、安装pytorch（gpu版本）
1. 官网查询
找到对应自己需要的版本
网址：previous pytorch versions | pytorch
2. 由于项目需要，我安装的是torch 1.8版本
pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html2.1 打开“anaconda prompt (anaconda3)”，首先切换上面我们创建好的环境，在输入我们上面查询的；
2.2 这是安装好之后的模样~
八、在 pycharm验证配置是否成功
我比较喜欢跑代码验证，所以可以直接在pycharm里面验证（提示：上面有我安装pycharm的教程）
1. 新建文件夹，鼠标右键用“pycharm”打开
或者直接在pycharm新建项目都可以；
2. 打开后，首先在pycharm里配置我们的深度学习环境
2.1 “setting”
2.2 按照下面的步骤，在第三步那里点击小齿轮就出现“add”啦 ^_^
2.3 紧跟下面步骤走哦；
2.4 先点击“apply” ，再“确定”，这样我们就配置后我们需要的环境啦
2.5 创建一个python文件；
2.6 任意取名~
3. 输入代码
# 导入pytorch库
import torch
# 打印可用的gpu设备数量
print(torch.cuda.device_count())
# 打印是否可以使用cuda，即是否可以在gpu上运行计算
print(torch.cuda.is_available())
# 打印torch的版本
print(torch.__version__)
# 打印是否可以使用cudnn，这是一个用于深度神经网络的库，它提供了优化的计算和内存访问模式
print(torch.backends.cudnn.is_available)
# 打印cuda的版本号
print(torch.cuda_version)
# 打印cudnn的版本号
print(torch.backends.cudnn.version())
4. 成功界面 ^_^
九、下载github项目-yolov5项目克隆
1. 内容太多了，放到另外的csdn里啦 ^_^
链接：部署yolov5项目的工作空间----以及如何下载github项目-csdn博客
发表评论