如何搭建属于自己的GPU深度学习环境

想要学习人工智能，那么使用GPU加速自己的深度学习训练是必不可少的，但很多初学者都被环境搭建这一步困扰！安装并配置这些东西真的是比编程还难，过程中遇到各种问题，然后去搜解决方法，但都五花八门，可能因为每个人遇到的问题的具体情况不同，所以即使按照别人的方法也还是会出现问题。

这里，我将自己在整个过程中遇到的问题以及注意事项记录下来，也算是进行一个整理，也希望可以帮助到一些人，来教大家从头搭建属于自己的深度学习环境。
其实这里主要要注意的就是各种版本的对应问题。

1. Anaconda的简介、安装及配置

1.1 Anaconda简介

Anaconda是开源的python发行版本，里面包含了python、conda(一个python包管理器)和各种用于科学计算的包，可以完全独立使用，不再额外下载Python。

使用anaconda有以下好处：

• 屏蔽了系统平台的差异，解决底层依赖。安装一个包之后依赖的东西全部处理好，省心。
• 有一个虚拟环境的概念，每个环境之间是隔离的，都可以设定不同的python版本以及各种包，不和系统的冲突，可以随便切换，要删除也是整个一起清理。

1.2 Anaconda安装

1.2.1 安装包的下载

先去Ananconda官网（https://www.anaconda.com/）上下载安装包，但是由于某些原因，下载速度特别慢，所以可以去清华镜像源进行下载（https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/），我这里下载的为2021.05月的版本，下载时还要注意系统版本！

1.2.2 软件安装

安装过程基本如下：



这里注意修改安装位置，默认在C盘


建议两个都选，第一个意思是添加环境路径，建议可以选上

安装完成之后直接点击 next 就好了

这里两个勾都不要

安装完成，我们从电脑的开始菜单中可以找到如下三个快捷方式：

分别是 Anaconda的 启动快捷方式 和 管理员命令行窗口 和 命令行窗口，我们可以将其发送个快捷方式到桌面上（主要是 Anaconda的 启动快捷方式 和 命令行窗口，图中红框的两个）。

其实用的最多的还是命令行窗口（Anaconda Prompt），因为启动anaconda并且在里面进行切换环境等操作真的太慢了，使用命令行就会快很多，并且方便很多

1.3 Anaconda使用操作简介

1.3.1 软件的简单操作介绍

我们打开Anaconda软件，其主界面如下，我们一般主要会用到里面的两个交互式的编程软件（notebook和spyter），我个人用的比较多的是notebook，下面也会以这个为例进行讲解。

之前已经介绍过，anaconda中可以创建多个互不干扰、相互独立的环境，图中的①表示当前所使用的编译器环境，由于刚刚安装，所以这里还只有一个base环境，②中可以查看使用anaconda安装Python包等东西时所使用的网址链接，③表示notebook软件，点击launch即可打开，④是spyter软件，通过⑤和⑥可以在主页面和环境页面中切换。
环境页面具体介绍如下：

1.3.2 notebook简单的操作介绍

1.4 Anaconda的一些配置

1.4.1 为Anaconda添加国内镜像源

如果我们要在anaconda里下载包等东西，因为他默认的下载路径在国外，所以速度特别慢，还容易断，为了解决这个问题，我们可以为他添加国内的镜像源地址。
打开 Anaconda Prompt ，输入如下命令添加镜像源，这里添加的是中科大的镜像源：

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

   
   
    
    

   
   
    
    

     
     
1
    
    

运行后，就会为anaconda添加镜像源路径。这时，我们打开anaconda，可以看到 channels 里已经有我们添加的这条路径了（建议不要在anaconda软件里手动添加，会有问题）

再列出一些其他的镜像源地址：
中科大：https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
清华：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

1.4.2 notebook默认工作路径的修改

打开notebook，因为notebook是基于web设计的，所以会自动打开电脑浏览器，并打开一个页面，我们的程序编写等都是在这个网页里。

但我们会发现，这里已经显示有文件夹了（每个人显示的文件可能不一样，但都是已经有文件在里面了），看起来非常的不爽，这是因为现在它使用的是notebook的默认路径，所以我们可以对其进行系修改。

（1）找到并打开 Anaconda Prompt，输入如下命令，然后执行。

jupyter notebook --generate-config

   
   
    
    

   
   
    
    

     
     
1
    
    

执行后会生成一个配置文件（jupyter_notebook_config.py）并在窗口中输出文件的路径，找到并打开生成的配置文件（其实这里的C:\Users\Administrator就是Jupyter notebook的默认路径）
在jupyter_notebook_config.py中找到并修改如下配置项（大概在385行左右）:

修改前: # c.NotebookApp.notebook_dir = ‘’

修改方法：删除前面的 # 号，在后面的单引号里输入要设置的目录路径，保存关闭。
注意：这里的路径中的 ‘\’ 要换成 ‘\’ 或 '/’，否则可能出现转义字符

（2）在win开始菜单中找到jupyter notebook快捷图标，鼠标右键>>属性>>快捷方式>>目标
删除最后的 “%USERPROFILE%/” ，最后点击确定。

OK，现在重新启动notebook快捷图标，打开的就是刚配置的目录。里面啥也没有，看着很舒服！

到这里，Anaconda的安装及主要使用基本都介绍了，还有一些环境的新建会在下面的GPU环境搭建中一起介绍。

2. GPU深度学习环境的搭建

深度学习主要有两种库tensorflow和pytorch，下面会一一介绍。为使其互不打扰，我们新建两个环境并分别会将其安装在两个环境中（个人建议搭建深度学习之类的环境可以单独创个环境搭建，不要搭建在base环境或其他已有的环境中，这样的话，如果环境搭建失败了，直接将这个环境删掉就好了，不会影响到其他的环境）

2.1 安装CUDA和cuDNN

要使用GPU加速，首先就要去安装CUDA和cuDNN。
首先要看一下你的电脑的显卡对应的是哪个版本的CUDA，千万不要下错了，不然运行不了的。
查看方法很多，网上都很容易搜得到，这里介绍其中一种：
打开 NVIDIA控制面板 -> 帮助 -> 系统信息->组件，就可以查看自己的显卡对应哪个版本。我电脑的是GTX 965M，对应的是CUDA9.0

找好对应的版本后，就去下载，给出网址：https://developer.nvidia.com/cuda-toolkit-archive
进去后选择相应的版本和电脑信息。这里选择本地安装，也就是将安装包下下来，在线安装容易受网络影响。这个网址没有被墙，可以正常访问，下载速度也是可以的。

下载CUDA的同时，来看一下cuDNN吧。这个也要注意版本的对应。给出网址：https://developer.nvidia.com/rdp/cudnn-download
下载这个时要先进行注册什么的，按照要求进行就可以了。进去后，每个版本的cuDNN后面都会写明其对应的CUDA版本（网上也搜得到其对应的关系），选择相应的版本下载就好了。

下载完成之后，就可以开始安装了。

安装CUDA。
启动exe文件，会让你选择一个目录地址，这个只是文件的解压目录，并不是安装的目录，在安装完成之后会被自动删除，这里根据自己的情况选一下就好了。然后就会自动检测系统兼容性什么的，完成之后，就可以正式的安装了。
在安装时，选择自定义安装的方法。然后勾选，只要不勾选里面的 Visual Studio Integration 就好了，至于为什么，我也不知道，反正我第一次安装时只勾选了CUDA，然后就出问题了。

点击下一步，就会选择安装路径，这里网上说建议安在C盘，所以我也就没有改(注意不要选到你刚刚的解压文件夹里了，不然安装完成后又会被删掉)。这里最好记住这里的三个路径，后面会用得到。

然后点击下一步，让它安装就好了。

安装完成之后，就安装cuDNN，这个很简单，是插入式安装。把文件解压，然后把里面的三个文件夹里的文件（注意，是文件）复制到CUDA安装文件夹（就是上面的 CUDA Development 的那个安装路径下）的对应文件夹内。


到这里，就安装完了，可以测试一下是否安装成功。

进入到上面的安装文件夹下的 extra/demo_suit 文件夹(如：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite）下，然后在地址栏输入 cmd，打开命名提示行。运行 bandwidthTest.exe 和 deviceQuery.exe ，结果如下，得到两个 PASS，就基本是安装成功了。


到这里，CUDA和cuDNN就算是全部安装成功了。

2.2 安装tensorflow-gpu深度学习库

这里又得要注意版本了。

首先，根据自己的 CUDA 和 cuDNN 找到自己的 tensorflow-gpu 版本。对应关系如图或tensorflow官网

注意：这里除了CUDA和cuDNN的版本，还要注意 python的版本，比如我的最高只支持到3.6。我开始就没有注意，结果一堆问题，搞得想砸电脑！！！

那如果我们的base等环境下的python版本过高怎么办？
不要急，我们创建一个新的环境就可以了，并且对于深度学习等环境的搭建也最好新建一个环境来操作，这样可以避免各个环境之间的干扰！

2.2.1 创建一个新的环境

创建新环境有两种方法：

• 使用 anaconda 命令行窗口
• 直接在anaconda软件里

这里先介绍第一种方法，第二种在pytorch的安装里介绍

现在就来创一个python3.6的环境。
打开anaconda的命令提示窗口Anaconda Prompt (anaconda3)，输入：

conda create --name tf-gpu-py36 python=3.6

   
   
    
    

   
   
    
    

     
     
1
    
    

其表示： 创建一个名为tf-gpu-py36的环境，指定Python版本是3.6
如果中途断了，重新运行就好了，会接着下
其实环境名字建议起的简明易懂，比如这里的tf-gpu-py36, 表明是 tensorflow-gpu的环境，且python版本为3.6

运行，系统就会开始去解析并且创建环境。解析完成之后，会出来一个 package plan ，并询问是否继续，这就是我们创建这个新环境所需要下载的包，直接输入 y 回车，让它下载并创建环境，你只需要耐心等待即可。

下载完成后，就会自动创建环境，完成之后。我们也可以在 anacodna 的environments里看到这个环境。可以看到，这个环境很干净，只有一些python必要包，其余的都没有。

接下来，我们按照他给出的命令提示激活环境，进入或这个环境

# 激活环境：
conda activate tf-gpu-py36
# 离开环境
conda deactivate

   
   
    
    

   
   
    
    

     
     
1
     
     
2
     
     
3
     
     
4
    
    

激活环境后，在命令行前面会有一个当前所处环境的表明，如图，激活前是base环境，激活后进入到了tf-gpu-py36环境

现在这里，就是一个全新的环境了

可以确定一下当前的python版本。
注意：这里的 V 大写

更多的关于anaconda环境管理的，可以参考这个：https://www.jianshu.com/p/2a628a462e87

notebook的安装

创建好环境后，打开anaconda软件，进入环境，因为这是一个新环境，所以notebook之类的也都没安装，所以我们进行手动安装，直接点击 install 即可

因为我们添加了镜像源，所以安装起来还算是比较快的，安装完后，install 就变成 launch 了。
打开notebook，就可以直接使用了。

注：所有环境的notebook的工作路径应该是一样的，如果你出现两个环境的notebook工作路径不一样（有的人电脑会出现这种情况），那就按照前面的1.2.5 notebook默认路径的修改进行修改。
注意：

• 在进行生成配置文件前，要先激活进入到你需要配置的notebook的环境中
• 在对notebook 的快捷方式的属性进行删除操作时，不要选错了快捷方式，因为你现在相当于安装了多个notebook，每一个都会有一个快捷方式的，如;
  

到这里，创建python3.6的新环境就基本OK了！

2.2.2 tensorflow-gpu的安装

对tensorflow-gpu，在Anaconda Prompt (anaconda3)里使用 pip 安装并且指定安装版本（不指定的话，会默认安装最新版的，这就可能跟你的CUDA等不对应了）。
这里是用的是清华大学的镜像源：https://pypi.tuna.tsinghua.edu.cn/simple。我这里按照对应关系，安装的1.12.0。

pip install --upgrade tensorflow-gpu==1.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

   
   
    
    

   
   
    
    

     
     
1
    
    

因为pip使用的默认路径也是国外的，所以也要用镜像源
其他镜像源：
清华：https://pypi.tuna.tsinghua.edu.cn/simple
豆瓣：http://pypi.douban.com/simple/
阿里云：https://mirrors.aliyun.com/pypi/simple/

安装tensorflow-gpu时，还会自动下载一些相应依赖，所以要稍微等待一下下。安装完成之后，可以用 pip list 看一下是否有这个模块。

到这里，基本就可以使用GPU了，给几个例子试试：

（1）看看 tensorflow 检测到的 能使用的设备情况

# 检测 tensorflow 能使用的设备情况
from tensorflow.python.client import device_lib

#os.environ[“CUDA_VISIBLE_DEVICES”] = “1” # 这个可以指定使用哪个设备
print(device_lib.list_local_devices())

• 1
• 2
• 3
• 4
• 5

如果不能使用GPU，就不会输出GPU的型号和算力。

（2）输出是否能使用GPU

import tensorflow as tf

print(tf.test.is_gpu_available())
print(tf.test.gpu_device_name()) #输出gpu的名称

• 1
• 2
• 3
• 4

返回了True，也就是可以使用GPU，并且设备名字也跟上面得到的结果相同。

（3）使用tensorflow-gpu
说了这么多，能够直接使用tensorflow-gpu让GPU进行计算才是王道。

import tensorflow as tf
import os
import numpy as np

# 加载数据集
# from keras.datasets import mnist
# (train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# 这里加载数据集要去访问一个网址进行下载，由于众所周知的原因，这个网址是访问不了的
# 所以这里使用下载下来的本地数据集。
# 链接：https://pan.baidu.com/s/1rzqWrlsO7Zg2gtmCxYQZjA
# 提取码：ff9z
path=’./mnist.npz’
f = np.load(path)
x_train, y_train = f[‘x_train’], f[‘y_train’]
x_test, y_test = f[‘x_test’], f[‘y_test’]
f.close()

x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation=‘relu’),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation=‘softmax’)
])

model.compile(optimizer=‘adam’,
loss=‘sparse_categorical_crossentropy’,
metrics=[‘accuracy’])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test, verbose=2)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32

可以看到，训练数据时，GPU1（也就是我的NVIDIA显卡）被使用了。这里数据的训练不是很复杂，所以利用率也不是很明显。
到这里，你就已经取得阶段性胜利了！！！

2.2.3 keras的安装

如果你安装的是tensorflow 2.x 版本的，那就不需要安装keras了！

这里同样也要注意版本。
版本对应关系见：https://docs.floydhub.com/guides/environments/
部分如图：

找好版本后（我对应的是图中的红框框，所以下载的keras2.2.4)，同样使用 pip 安装并且指定安装版本，不指定的话，会默认安装最新版的，这就可能跟你的tensorflow-gpu不对应了，一般会显示你的tensorflow版本过低，需要安装高版本！
安装完成后，试试import keras ，如果程序没有报错，那就安装成功了！大功告成！！！

2.3 安装pytorch深度学习库

pytorch的安装没有tensorflow那么繁琐。
同样，我们新创建一个环境来安装，这里使用第二种方法

2.3.1 创建一个新的环境

首先打开anaconda软件，进入到environment，点击create来创建新环境，在弹出的窗口中输入名字并选择python版本

最后点击create并耐心等待，创建成功后就会又有一个新环境，对这个环境，同样按照2.2.1 创建一个新的环境里的方法去安装notebook

2.3.2 pytorch的安装

这里再介绍一种离线安装包的方法，个人建议pytorch可以用离线的方法安装，因为包太大了，在线容易下到一半掉线！
先去https://download.pytorch.org/whl/torch_stable.html下载对应版本的pytorch安装包，对应方式见下图，或者也可以直接去官网寻找

下载完成后，打开Anaconda Prompt (anaconda3)， 进入到安装 pytorch的环境，输入命令：

pip install 你的pytorch安装包地址（注意‘\’改成 ‘\\’或‘/’）
# 如：
# pip install E:\\Downloads\\torch-1.1.0-cp36-cp36m-win_amd64.whl

 
 
  
  

 
 
  
  

   
   
1
   
   
2
   
   
3
  
  

等待安装完成后，可以测试一下。

import torch
x = torch.rand(5, 3)
print(x)

 
 
  
  

 
 
  
  

   
   
1
   
   
2
   
   
3
  
  

这段代码的输出应该与下面的结果接近：

同样，也可以直接检测是否能用GPU

import torch
torch.cuda.is_available()

 
 
  
  

 
 
  
  

   
   
1
   
   
2
  
  

如果输出为True，则表示可以使用GPU。大功告成！！！

3. 其他的一些介绍

3.1 anaconda文件目录简介

找到anaconda的安装文件夹，如我的D:\Anaconda3：
（1）这个文件夹下的文件就是base环境中的文件，在这个文件夹下，有个python.exe的可执行文件，它就是base环境下的python解释器。

因此，我们如果想要在Windows的cmd窗口中直接运行python，则需要将这个文件夹路径添加到系统环境变量的path下

（2）在该文件夹中的\Lib\site-packages文件夹下存放的就是我们自己通过pip等方式安装的包
（3）在该文件夹中的envs\文件夹中，存放的就是我们新创建的环境的文件，如我们上面新建了两个环境，那么这里就会有这两个环境的文件夹。这两个文件夹中的目录结构和base环境的基本相同，这也说明了不同环境之间是 相互独立 的。

3.2 Windows中的cmd窗口和Anaconda Prompt (anaconda3)窗口的区别

• 一般情况下，所有与Anaconda相关的命令操作都只能在Anaconda Prompt (anaconda3)中完成，如果在Windows的cmd窗口中运行，则会报错不是一个可执行的命令。
• 通过在系统环境变量的path中添加python解释器的文件路径，就可以在cmd中实现运行Python相关命令，如 pip，但是这里有所得操作都是在base环境下的，不能切换环境。

当我们在cmd中运行命令时，其实就是运行的对应的exe可执行文件，而系统就是通过环境变量中path下的文件路径来搜寻这些exe文件的。
如 我们运行一个python文件，我们会输入命令python 文件名.py，这个时候，系统会对path下的路径进行搜索，寻找python解释器，当通过里面的路径可以找到python.exe时，我们这个文件就可以成功编译运行，否则就会报错不是一个可执行的命令。
因此，要想某个命令可以直接在cmd中运行，则需要将其exe文件的路径添加到path中，当然，当我们在cmd中进入到该文件夹中再运行exe文件时，是可以正常运行的。（详细的可以自行搜索，很容易搜到相关的）

3.3 pip和conda命令的区别

pip安装Python包，而conda安装包可以包含用任何语言编写的软件的包。
在使用pip之前，必须通过系统包管理器或下载并运行安装程序来安装Python解释器。
而Conda可以直接安装Python包以及Python解释器。conda包不仅限于Python软件，它还可以包含C或C ++库，R包或任何其他软件

3.4 pycharm里使用anaconda配置的环境

1. 首先，我们将anaconda里的环境添加到pycharm里
   打开pycharm，新建一个项目，然后按图进行选择，将anaconda里的环境添加到pycharm里
   
   在上面点击了步骤2的三个点后，会弹出一个python解释器的添加页面，按照图中步骤选择自己的anaconda安装路径，并找到需要的环境中的 python解释器，也就是python.exe文件
   
   添加完成之后，就可以选择自己添加的anaconda环境了
   
2. 除了在创建新项目的时候可以选择环境外，在项目中也可以切换环境。
   在pycharm中，选择File->settings->Python Interpreter，即可选择切换环境。同时，点击旁边的设置（图中黄框位置），也可以按照上面类似的方法去添加一个新的环境。
   

想要学习人工智能，那么使用GPU加速自己的深度学习训练是必不可少的，但很多初学者都被环境搭建这一步困扰！安装并配置这些东西真的是比编程还难，过程中遇到各种问题，然后去搜解决方法，但都五花八门，可能因为每个人遇到的问题的具体情况不同，所以即使按照别人的方法也还是会出现问题。

这里，我将自己在整个过程中遇到的问题以及注意事项记录下来，也算是进行一个整理，也希望可以帮助到一些人，来教大家从头搭建属于自己的深度学习环境。
其实这里主要要注意的就是各种版本的对应问题。

1. Anaconda的简介、安装及配置

1.1 Anaconda简介

Anaconda是开源的python发行版本，里面包含了python、conda(一个python包管理器)和各种用于科学计算的包，可以完全独立使用，不再额外下载Python。

使用anaconda有以下好处：

• 屏蔽了系统平台的差异，解决底层依赖。安装一个包之后依赖的东西全部处理好，省心。
• 有一个虚拟环境的概念，每个环境之间是隔离的，都可以设定不同的python版本以及各种包，不和系统的冲突，可以随便切换，要删除也是整个一起清理。

1.2 Anaconda安装

1.2.1 安装包的下载

先去Ananconda官网（https://www.anaconda.com/）上下载安装包，但是由于某些原因，下载速度特别慢，所以可以去清华镜像源进行下载（https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/），我这里下载的为2021.05月的版本，下载时还要注意系统版本！

1.2.2 软件安装

安装过程基本如下：



这里注意修改安装位置，默认在C盘


建议两个都选，第一个意思是添加环境路径，建议可以选上

安装完成之后直接点击 next 就好了

这里两个勾都不要

安装完成，我们从电脑的开始菜单中可以找到如下三个快捷方式：

分别是 Anaconda的 启动快捷方式 和 管理员命令行窗口 和 命令行窗口，我们可以将其发送个快捷方式到桌面上（主要是 Anaconda的 启动快捷方式 和 命令行窗口，图中红框的两个）。

其实用的最多的还是命令行窗口（Anaconda Prompt），因为启动anaconda并且在里面进行切换环境等操作真的太慢了，使用命令行就会快很多，并且方便很多

1.3 Anaconda使用操作简介

1.3.1 软件的简单操作介绍

我们打开Anaconda软件，其主界面如下，我们一般主要会用到里面的两个交互式的编程软件（notebook和spyter），我个人用的比较多的是notebook，下面也会以这个为例进行讲解。

之前已经介绍过，anaconda中可以创建多个互不干扰、相互独立的环境，图中的①表示当前所使用的编译器环境，由于刚刚安装，所以这里还只有一个base环境，②中可以查看使用anaconda安装Python包等东西时所使用的网址链接，③表示notebook软件，点击launch即可打开，④是spyter软件，通过⑤和⑥可以在主页面和环境页面中切换。
环境页面具体介绍如下：

1.3.2 notebook简单的操作介绍

1.4 Anaconda的一些配置

1.4.1 为Anaconda添加国内镜像源

如果我们要在anaconda里下载包等东西，因为他默认的下载路径在国外，所以速度特别慢，还容易断，为了解决这个问题，我们可以为他添加国内的镜像源地址。
打开 Anaconda Prompt ，输入如下命令添加镜像源，这里添加的是中科大的镜像源：

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

   
   
  
  

   
   
  
  

   
   
1
  
  

运行后，就会为anaconda添加镜像源路径。这时，我们打开anaconda，可以看到 channels 里已经有我们添加的这条路径了（建议不要在anaconda软件里手动添加，会有问题）

再列出一些其他的镜像源地址：
中科大：https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
清华：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

1.4.2 notebook默认工作路径的修改

打开notebook，因为notebook是基于web设计的，所以会自动打开电脑浏览器，并打开一个页面，我们的程序编写等都是在这个网页里。

但我们会发现，这里已经显示有文件夹了（每个人显示的文件可能不一样，但都是已经有文件在里面了），看起来非常的不爽，这是因为现在它使用的是notebook的默认路径，所以我们可以对其进行系修改。

（1）找到并打开 Anaconda Prompt，输入如下命令，然后执行。

jupyter notebook --generate-config

   
   
  
  

   
   
  
  

   
   
1
  
  

执行后会生成一个配置文件（jupyter_notebook_config.py）并在窗口中输出文件的路径，找到并打开生成的配置文件（其实这里的C:\Users\Administrator就是Jupyter notebook的默认路径）
在jupyter_notebook_config.py中找到并修改如下配置项（大概在385行左右）:

修改前: # c.NotebookApp.notebook_dir = ‘’

修改方法：删除前面的 # 号，在后面的单引号里输入要设置的目录路径，保存关闭。
注意：这里的路径中的 ‘\’ 要换成 ‘\’ 或 '/’，否则可能出现转义字符

（2）在win开始菜单中找到jupyter notebook快捷图标，鼠标右键>>属性>>快捷方式>>目标
删除最后的 “%USERPROFILE%/” ，最后点击确定。

OK，现在重新启动notebook快捷图标，打开的就是刚配置的目录。里面啥也没有，看着很舒服！

到这里，Anaconda的安装及主要使用基本都介绍了，还有一些环境的新建会在下面的GPU环境搭建中一起介绍。

2. GPU深度学习环境的搭建

深度学习主要有两种库tensorflow和pytorch，下面会一一介绍。为使其互不打扰，我们新建两个环境并分别会将其安装在两个环境中（个人建议搭建深度学习之类的环境可以单独创个环境搭建，不要搭建在base环境或其他已有的环境中，这样的话，如果环境搭建失败了，直接将这个环境删掉就好了，不会影响到其他的环境）

2.1 安装CUDA和cuDNN

要使用GPU加速，首先就要去安装CUDA和cuDNN。
首先要看一下你的电脑的显卡对应的是哪个版本的CUDA，千万不要下错了，不然运行不了的。
查看方法很多，网上都很容易搜得到，这里介绍其中一种：
打开 NVIDIA控制面板 -> 帮助 -> 系统信息->组件，就可以查看自己的显卡对应哪个版本。我电脑的是GTX 965M，对应的是CUDA9.0

找好对应的版本后，就去下载，给出网址：https://developer.nvidia.com/cuda-toolkit-archive
进去后选择相应的版本和电脑信息。这里选择本地安装，也就是将安装包下下来，在线安装容易受网络影响。这个网址没有被墙，可以正常访问，下载速度也是可以的。

下载CUDA的同时，来看一下cuDNN吧。这个也要注意版本的对应。给出网址：https://developer.nvidia.com/rdp/cudnn-download
下载这个时要先进行注册什么的，按照要求进行就可以了。进去后，每个版本的cuDNN后面都会写明其对应的CUDA版本（网上也搜得到其对应的关系），选择相应的版本下载就好了。

下载完成之后，就可以开始安装了。

安装CUDA。
启动exe文件，会让你选择一个目录地址，这个只是文件的解压目录，并不是安装的目录，在安装完成之后会被自动删除，这里根据自己的情况选一下就好了。然后就会自动检测系统兼容性什么的，完成之后，就可以正式的安装了。
在安装时，选择自定义安装的方法。然后勾选，只要不勾选里面的 Visual Studio Integration 就好了，至于为什么，我也不知道，反正我第一次安装时只勾选了CUDA，然后就出问题了。

点击下一步，就会选择安装路径，这里网上说建议安在C盘，所以我也就没有改(注意不要选到你刚刚的解压文件夹里了，不然安装完成后又会被删掉)。这里最好记住这里的三个路径，后面会用得到。

然后点击下一步，让它安装就好了。

安装完成之后，就安装cuDNN，这个很简单，是插入式安装。把文件解压，然后把里面的三个文件夹里的文件（注意，是文件）复制到CUDA安装文件夹（就是上面的 CUDA Development 的那个安装路径下）的对应文件夹内。


到这里，就安装完了，可以测试一下是否安装成功。

进入到上面的安装文件夹下的 extra/demo_suit 文件夹(如：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite）下，然后在地址栏输入 cmd，打开命名提示行。运行 bandwidthTest.exe 和 deviceQuery.exe ，结果如下，得到两个 PASS，就基本是安装成功了。


到这里，CUDA和cuDNN就算是全部安装成功了。

2.2 安装tensorflow-gpu深度学习库

这里又得要注意版本了。

首先，根据自己的 CUDA 和 cuDNN 找到自己的 tensorflow-gpu 版本。对应关系如图或tensorflow官网

注意：这里除了CUDA和cuDNN的版本，还要注意 python的版本，比如我的最高只支持到3.6。我开始就没有注意，结果一堆问题，搞得想砸电脑！！！

那如果我们的base等环境下的python版本过高怎么办？
不要急，我们创建一个新的环境就可以了，并且对于深度学习等环境的搭建也最好新建一个环境来操作，这样可以避免各个环境之间的干扰！

2.2.1 创建一个新的环境

创建新环境有两种方法：

• 使用 anaconda 命令行窗口
• 直接在anaconda软件里

这里先介绍第一种方法，第二种在pytorch的安装里介绍

现在就来创一个python3.6的环境。
打开anaconda的命令提示窗口Anaconda Prompt (anaconda3)，输入：

conda create --name tf-gpu-py36 python=3.6

   
   
  
  

   
   
  
  

   
   
1
  
  

其表示： 创建一个名为tf-gpu-py36的环境，指定Python版本是3.6
如果中途断了，重新运行就好了，会接着下
其实环境名字建议起的简明易懂，比如这里的tf-gpu-py36, 表明是 tensorflow-gpu的环境，且python版本为3.6

运行，系统就会开始去解析并且创建环境。解析完成之后，会出来一个 package plan ，并询问是否继续，这就是我们创建这个新环境所需要下载的包，直接输入 y 回车，让它下载并创建环境，你只需要耐心等待即可。

下载完成后，就会自动创建环境，完成之后。我们也可以在 anacodna 的environments里看到这个环境。可以看到，这个环境很干净，只有一些python必要包，其余的都没有。

接下来，我们按照他给出的命令提示激活环境，进入或这个环境

# 激活环境：
conda activate tf-gpu-py36
# 离开环境
conda deactivate

   
   
  
  

   
   
  
  

   
   
1
   
   
2
   
   
3
   
   
4
  
  

激活环境后，在命令行前面会有一个当前所处环境的表明，如图，激活前是base环境，激活后进入到了tf-gpu-py36环境

现在这里，就是一个全新的环境了

可以确定一下当前的python版本。
注意：这里的 V 大写

更多的关于anaconda环境管理的，可以参考这个：https://www.jianshu.com/p/2a628a462e87

notebook的安装

创建好环境后，打开anaconda软件，进入环境，因为这是一个新环境，所以notebook之类的也都没安装，所以我们进行手动安装，直接点击 install 即可

因为我们添加了镜像源，所以安装起来还算是比较快的，安装完后，install 就变成 launch 了。
打开notebook，就可以直接使用了。

注：所有环境的notebook的工作路径应该是一样的，如果你出现两个环境的notebook工作路径不一样（有的人电脑会出现这种情况），那就按照前面的1.2.5 notebook默认路径的修改进行修改。
注意：

• 在进行生成配置文件前，要先激活进入到你需要配置的notebook的环境中
• 在对notebook 的快捷方式的属性进行删除操作时，不要选错了快捷方式，因为你现在相当于安装了多个notebook，每一个都会有一个快捷方式的，如;
  

到这里，创建python3.6的新环境就基本OK了！

2.2.2 tensorflow-gpu的安装

对tensorflow-gpu，在Anaconda Prompt (anaconda3)里使用 pip 安装并且指定安装版本（不指定的话，会默认安装最新版的，这就可能跟你的CUDA等不对应了）。
这里是用的是清华大学的镜像源：https://pypi.tuna.tsinghua.edu.cn/simple。我这里按照对应关系，安装的1.12.0。

pip install --upgrade tensorflow-gpu==1.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

   
   
  
  

   
   
  
  

   
   
1
  
  

因为pip使用的默认路径也是国外的，所以也要用镜像源
其他镜像源：
清华：https://pypi.tuna.tsinghua.edu.cn/simple
豆瓣：http://pypi.douban.com/simple/
阿里云：https://mirrors.aliyun.com/pypi/simple/

安装tensorflow-gpu时，还会自动下载一些相应依赖，所以要稍微等待一下下。安装完成之后，可以用 pip list 看一下是否有这个模块。

到这里，基本就可以使用GPU了，给几个例子试试：

（1）看看 tensorflow 检测到的 能使用的设备情况

# 检测 tensorflow 能使用的设备情况
from tensorflow.python.client import device_lib