深度学习程序环境配置

深度学习环境配置

因为之前轻薄本没有显卡跑不起来，所以换了台电脑重新跑程序，故记录一下配置环境的步骤及常见错误
~~本人数学系，计算机部分知识比较匮乏，计算机专业同学可以略过部分内容~~

深度学习环境配置

- 深度学习环境配置
CUDA配置
- 1. 确定安装版本
- - 确定显卡支持的CUDA版本
  - 下载CUDA
  - Windows下CUDA版本切换
Pycharm配置
- 下载链接
miniConda配置
- miniConda下载
- 检查是否下载成功
Pytorch配置
torch_geometric安装
Pycharm配置编译环境

CUDA配置

1. 确定安装版本

确定显卡支持的CUDA版本

注意：要先保证显卡驱动已经正确安装，才能用如下命令查看显卡驱动版本
（之前听有师兄说因为驱动安装出问题了，所以先安装了驱动精灵，但博主本人没遇到这个问题所以暂时不在此讨论）
win+r 输入cmd，输入命令nvidia-smi，如图
在这里插入图片描述
可以看到显示CUDA Version为12.4，说明CUDA支持的驱动版本12.4，这里就
可以选择更低的版本比如 11.0（要保证后续程序不会出现矛盾，根据实际情况选择）
CUDA的选择问题：当你的驱动版本小于CUDA支持的驱动版本则会出现不兼容。高版本的CUDA不支持低版本的驱动。驱动版本是向后兼容的，也就是说驱动升级之后，CUDA不用升级，因为高版本的驱动支持低版本的CUDA
NVIDIA环境部署介绍

下载CUDA

在NVIDA官方网站即可下载，选择对应版本即可
在这里插入图片描述
这里选好系统设置后用选择离线安装包下载即可
后续参考
因为已经下载完毕无法截图，就直接把当时参考的blog放出来了
打开cmd输入nvcc -V（不能小写v）检查安装是否成功即可

Windows下CUDA版本切换

因为我一开始下成12.4版本了，和后续不兼容，所以其实现在版本是重装的TAT，参考了这篇博客。
具体就是，按照前面步骤重新配置好对应版本之后，直接把环境变量对应路径改为所需版本即可
在这里插入图片描述

Pycharm配置

注意：后续conda环境可以配置python环境，所以不需要再下载配置python，如果下载了会导致后续调用的函数有重复的情况，很麻烦

下载链接

根据链接下载即可

注意这里，我一开始下ARM64版本显示无法在该电脑上运行，只能卸载之后重新下通用版本

miniConda配置

一般来说miniconda就足够日常使用了，不用下anaconda（内存大且很多功能用不上）

miniConda下载

参考博客
我下载的是Miniconda3-latest-Windows-x86_64版本（和Pycharm一样，应该是任意下一个就好）
注意参考博客里这张图片，要选择all users，后续和anaconda安装教程一样，如果不清楚可以自行搜索anaconda教程
在这里插入图片描述

检查是否下载成功

参考博客
我暂时没有配置镜像和多环境，理论上都可以省略（镜像会让一些调用更快）
在这里插入图片描述
这里输入conda create -n python3.7 python=3.7 就安装好了3.7版本的python（据说是最好用的），因为我之前已经安装过一次了所以显示uninstall后重装了一次，后续conda activate python3.7即可进入对应环境，再输入 conda deactivate即可退出环境。

Pytorch配置

下载地址
在miniconda里打开后输入下载命令即可
注意：
要先创建conda虚拟环境，对应命令为
conda create -n python3.7（这是环境名）python=3.7（这是对应python版本）
在这里插入图片描述
注意：因为一开始base环境里python是3.12.4，和我下的环境不兼容，所以要激活之前创建的python3.7环境，pip install之前下载的文件地址（右键，复制文件地址，记得去掉引号）