Anaconda-Python环境安装

查询版本信息

• 驱动器版本：右键NVIDIA–>系统信息（点击开始菜单，搜索dxdiag）

• 对应cuda版本：

  https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

• 对应tensorflow版本：

  https://tensorflow.google.cn/install/source_windows?hl=en#gpu

• 对应pytorch版本：

  https://pytorch.org/get-started/locally/

安装Anaconda

下载网址：https://repo.anaconda.com/archive/
安装事项：

1. 修改路径

2. 不要勾选“Add Anaconda to the system PATH environment variable”。

3. 添加上：Anaconda3、Anaconda3/Scripts、Anaconda3/Library/bin这3个文件夹的路径（用户+系统的Path，环境变量打开方式为：计算机–属性–高级系统设置–环境变量）

设置镜像源

清华镜像网址：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

参考：https://www.cpci.dev/anaconda-mirrors-configure/

1. 生成 .condarc 文件： conda config --set show_channel_urls yes（C:\users\username\）

2. 清华源复制到 .condarc 文件

   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
     msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
     bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
     menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
     pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
     pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
     simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
   ssl_verify: false
   # 命令行
   conda clean -i

3. 不走镜像、代理设置

   channels:
     - defaults
   show_channel_urls: true
   proxy_servers:
     http: 127.0.0.1:7890
     https: 127.0.0.1:7890
   ssl_verify: false

conda安装tensorflow

conda create -n tf python=3.6
activate tf
conda install tensorflow-gpu=1.9.0
# 根据python版本默认安装 
conda install tensorflow-gpu

pip install --upgrade tensorflow
python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

高版本安装

需要 pip安装 tensorflow：https://tensorflow.google.cn/install/pip?hl=en#windows-native

conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
#如果上面这个执行失败了，多执行几次
#如果自己的显卡支持，安装了上面的两个配置后，再安装下面的tensorflow-gpu 2.7.0版本的话
#就可以直接显示gpu版本的状态为为true
pip install tensorflow-gpu==2.7.0
pip install "tensorflow<2.11"
# 走清华镜像
 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 设置timeout
pip --default-timeout=600 install "tensorflow<2.11" -i https://pypi.tuna.tsinghua.edu.cn/simple
# Verify install:
#python
#impor tensorflow as tf
#print(tf.config.list_physical_devices('GPU'))

conda安装pytorch

选择版本安装：https://pytorch.org/get-started/locally/

conda create -n pytorch python=3.8
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

CondaSSLError: OpenSSL appears to be unavailable on this machine. OpenSSL is required to download and install packages. 解决的方法

1. 到你的anaconda的安装目录位置：比如
   

2. D:\ProgramData\Anaconda3\Library\bin，找到如下两个DLL的文件：

   libcrypto-1_1-x64.dll
   libssl-1_1-x64.dll

   

3. 复制到 D:\ProgramData\Anaconda3\DLLs
   

4. 重启下shell

测试

# tf
import tensorflow as tf
if tf.test.gpu_device_name():
    print('Default GPU Device: {}'.format(tf.test.gpu_device_name()))
else:
    print("Please install GPU version of TF")
    
import tensorflow as tf
print(tf.test.gpu_device_name())
print(tf.test.is_gpu_available())

# pytorch
import torch
flag = torch.cuda.is_available()
if flag:
    print("CUDA可使用")
else:
    print("CUDA不可用")

ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print("驱动为：",device)
print("GPU型号： ",torch.cuda.get_device_name(0))

conda常用命令

version:
conda -V
env:
conda env list
conda create -n env python=3.6 
conda remove -n env --all
conda deactivate
Package:
conda list
conda list -n your_env_name
conda install -n env_name package_name
conda update -n env_name package_name
conda install numpy pandas matplotlib scikit-learn seaborn scikit-image opencv
conda update conda
conda update anaconda-navigator
conda update navigator-updater
conda update --all

numpy matplotlib scikit-image scikit-learn tqdm pandas global-land-mask netCDF4 gdal