1 anaconda 虚拟环境操作
1、 查看虚拟环境
conda info -e
2、 创建新的虚拟环境
conda create -n deeplearning_all pip python=3.6
3、 激活新建的虚拟环境
Conda activate deeplearning_all
2 环境中相关库的版本即安装说明（这些库都是对应匹配的）
pip install numpy==1.16.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install scipy==1.4.1 #这个可以不装sklearn会帮忙装 pip install pandas==0.21.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install patsy==0.5.1 pip install scikit-learn==0.23.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install imbalanced_learn==0.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install statsmodels==0.11.0 -i https://pypi.tuna.tsinghua.edu.cn/simple # CUDA 10.1 pip install torch==1.8.1+cu101 torchvision==0.9.1+cu101 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple pip install --no-cache-dir tensorflow-gpu==2.3.0 -i https://pypi.tuna.tsinghua.edu.cn/simple conda install absl-py==1.3.0 pip install keras==2.4.3 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install matplotlib==3.3.4 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install xgboost==0.90 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install lightgbm==3.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install bayesian-optimization==0.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
之后如果缺什么直接pip
ps:查看tensorflow/torch是否可以调动gpu
/
import tensorflow as tf tf.config.list_physical_devices('GPU')
import torch # 如果pytorch安装成功即可导入 print(torch.cuda.is_available()) # 查看CUDA是否可用 print(torch.cuda.device_count()) # 查看可用的CUDA数量 print(torch.version.cuda) # 查看CUDA的版本号
3 Anaconda 环境克隆、迁移
目标主机（windows系统 anaconda版本最好一致）：
在目标主机上安装anaconda：安装包下载
3.1 查看conda环境：
conda info --envs
3.2 克隆base环境
如果想迁移的是base环境，因此需要先克隆（base环境不能直打包）
conda create -n 新环境的名称 --clone 老环境名称
3.3 安装conda-forge和conda-pack工具
conda install -c conda-forge conda-pack
3.4 将环境打包
文件会默认打包在C盘：/用户/用户名的文件夹中
conda pack -n 新环境名称 -o 新环境名称.tar.gz
3.5 将压缩包放到目标主机的同版本Anaconda路径下的envs文件夹内
解压至envs下新环境的文件夹下：
tar -zxvf 文件名 -C 文件夹名
3.6 激活环境
conda activate 新环境
环境已经成功迁移到目标主机并且可以使用了
4 使用 Windows GPU 云服务器搭建深度学习环境
4.1 选择驱动及相关库、软件版本
在安装驱动前，您需大致了解 CUDA、cuDNN、Pytorch、TensorFlow 及 Python 版本对应关系，以便根据实际配置选择适配版本，免除后续出现版本不匹配等问题。
选择 CUDA 驱动版本
CUDA（Compute Unified Device Architecture），是显卡厂商 NVIDIA 推出的运算平台。CUDA™ 是一种由 NVIDIA 推出的通用并行计算架构，该架构使 GPU 能够解决复杂的计算问题。其包含了 CUDA 指令集架构（ISA）以及 GPU 内部的并行计算引擎。
1、查看显卡算力
在选择 CUDA 驱动版本时，需先了解本文使用（Tesla P40）显卡的算力。可通过NVIDIA 官网 查询 Tesla P40 显卡算力为6.1。如下图所示：
（目标主机是T4）
2、选择 CUDA 版本
如下图所示 CUDA 版本与显卡算力的关系，Tesla P40 显卡应选择8.0以上的 CUDA 版本。如需了解更多算力与 CUDA 版本信息。
选择显卡驱动版本
确定 CUDA 版本后，再选择显卡驱动版本。您可参考如下图所示 CUDA 与驱动对应关系图进行选择。
选择 cuDNN 版本
NVIDIA cuDNN 是用于深度神经网络的 GPU 加速库。其强调性能、易用性和低内存开销。NVIDIA cuDNN 可以集成到更高级别的机器学习框架中，例如谷歌的 Tensorflow、加州大学伯克利分校的流行 caffe 软件。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在 GPU 上实现高性能现代并行计算。
cuDNN 是基于 CUDA 的深度学习 GPU 加速库，有它才能在 GPU 上完成深度学习的计算。如需在 CUDA 上运行深度神经网络，需安装 cuDNN，才能使 GPU 进行深度神经网络的工作，工作速度相较 CPU 快很多。cuDNN 版本与 CUDA 版本的对应关系请参见 cuDNN Archive
选择 Pytorch 版本
您需根据 CUDA 版本，选择对应的 Pytorch 版本，匹配版本信息请参见previous-versions
选择 TesorFIow 版本
Tensorflow 较 Pytorch 稍复杂，它还需要 Python、编译器的版本支持。CPU、GPU 版本与 Python、CUDA、cuDNN 的版本对应关系如下：
这里选择最优的版本：CUDA 10.1、Python 3.6、Pytorch 1.8.1、Tensorflow_gpu_2.3.0
