之前在本机配置深度学习环境时候踩了很多坑，这里稍作记录备忘。

Anaconda

安装Anaconda

在anaconda官网下载安装。

安装完成后，1. 配置环境变量；2. 修改anaconda的安装源

验证conda：

conda -V
conda env list

创建conda环境

# 创建一个名称为common的虚拟环境并指定python版本为3.6.8
conda create -n common python=3.6.8
# 激活虚拟环境
activate common
# 列出所有的虚拟环境
conda env list
# 退出虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n common --all

安装NVIDIA显卡驱动

官网选择电脑相应的显卡版本进行下载：https://www.nvidia.cn/geforce/drivers/

安装CUDA

nvidia官网下载对应版本：

https://developer.nvidia.cn/cuda-toolkit-archive

安装完毕后，1. 添加环境变量（如果安装时自动添加则跳过这一步）2. 检查CUDA是否安装成功

nvcc -V

安装CUDNN

NVIDIA cuDNN是用于深度神经网络的GPU加速库。

官网地址：https://developer.nvidia.com/rdp/cudnn-archive

选择和CUDA版本相对应的进行下载。

下载万恒后，把解压得到的文件夹内的bin、include、lib目录下的dll文件与h文件分别复制到相应的CUDA的安装目录下。

通过NVIDIA提供的 deviceQuery.exe 和 bandwidthTest.exe 来查看GPU的状态，两者均在安装目录的 extras\demo_suite文件夹中

安装Pytorch

在https://pytorch.org/get-started/previous-versions/ 中选择与CUDA版本对应的Pytorch版本，执行给出的命令进行安装。

这里推荐pip安装，在尝试的时候发现使用conda命令固然可以安装，但是安装之后torch.cuda.is_available()为False

后来选择pip安装，报错，后选择Pytorch低一点的版本，成功torch.cuda.is_available()==True。

安装完成后，进入Python命令行，执行

import torch
print(torch.cuda.is_available())

结果为True则torch-GPU可用。

注意事项

从显卡型号到显卡驱动，到CUDA，到CUDNN，到Pytorch，到torchvision，到cudatoolkit这些版本一定要对应好。
安装pytorch选择命令时，选择pip手动下载whl文件安装较保险。