深度学习环境搭建：window10+CUDA10.0+CUDNN+pytorch1.2.0

去年底入手一台联想Y7000P,配置了Nvidia GeForce GTX 1660 Ti GPU，GPU内存6G，但是因为有GPU服务器，所以一直没有在这台笔记本上跑过模型，如今经过一番折腾，终于在此笔记本上搭建好了环境，并成功使用GPU训练了一些模型，本篇记录了环境搭建的过程。

注意：

1、CUDA和CUDNN不是必须另外安装的(当然装了也没关系)，除非你要开发CUDA程序，否则如果只是用pytorch等框架，则只需要使用 CUDA 的动态链接库，而这部分在使用conda安装pytorch的时候会一起安装好，也就是说使用conda 安装pytorch之后，无需另外单独安装CUDA和CUDNN，并且你会发现在本地库中有一个cudatoolkit 的包被安装了。但是，如果要为 Pytorch 添加 CUDA 的相关扩展时(参考：https://tutorials.pytorch.kr/advanced/cpp_extension.html )，会对编写的 CUDA 相关程序进行编译等操作，那么就需另外单独安装CUDA和CUDNN.

2、pytorch1.2.0版本在使用tensorboard的时候有很多坑，比如网络图无法正常显示，所以建议安装1.2.0以上的版本，后来我装了最新的稳定版1.5.0，对应的torchvision是0.6.0

一、检查你的GPU

首先确保你的电脑有Nvidia的GPU，并且支持CUDA，可以参考这个网址。

二、安装vs2017(可选)

Visual Studio 2017 Community下载地址

安装选项：勾选“C++的桌面开发”,右边的列表再额外勾选一个SDK,这个SDK是在后续测试CUDA样例的时候要用到的，如下图：

三、安装CUDA10.0(可选)

下载

打开网站：CUDA10.0

按照下图选择对应的选项后，点击下载：

安装

双击下载的文件，选择自定义安装，如果之前你已经安装过显卡驱动并且兼容CUDA10.0，可以在这里去掉显卡驱动的勾选，兼容情况参考这里，截图如下：

另外，去掉Visual studio integration的勾选：

后面默认选择下一步，等待安装完成。

测试

命令行测试：

nvcc -V

输出以下信息即成功:

样例测试：

以管理员方式打开vs2017，然后加载bandwidthTest解决方案，路径如下：

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0\1_Utilities\bandwidthTest\bandwidthTest_vs2017.vcxproj

右键点击bandwidthTest，选择生成，等待生成结果成功。此时在路径：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0\bin\win64\Debug 下，会出现一个bandwidthTest.exe文件，在cmd中执行，结果为PASS则为通过测试。

另外还有一个deviceQuery的样例，其测试过程同上。

四、安装CUDNN(可选)

打开CUDNN的网址

如下图，选择后会下载:

下载文件解压缩出来，然后根据下面的步骤操作(图中拿10.2举例的，因为是官方的教程)：

五、安装pytorch

添加conda的清华镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

添加额外的pytorch源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch

安装

conda config --set show_channel_urls yes

conda install pytorch=1.5.0 torchvision=0.6.0 cudatoolkit=10.1

到此安装就完成了。

ok,本篇就这么多内容啦~，感谢阅读O(∩_∩)O。