上一期我们介绍了CUDA下载安装以及其总结，这一期教大家如何在Anaconda中使用CUDA来进行加速、神经网络依赖cuDNN的下载安装，以及下载和安装Pytorch-GPU安装包的三种方式（conda、pip、*）。
还未下载安装 CUDA 和 Anaconda，请看往期文章，是全套系列的总结，包你不用开很多网页，然而只为了下载安装一个工具而已。。。。
Anaconda中使用
在CUDA安装完之后，如果想要学习深度学习中的神经网络的话，则额外下载安装cuDNN，可帮助我们加快神经网络的运算，cuDNN是一个常见的神经网络层加速库文件，能够很大程度把加载到显卡上的网络层数据进行优化计算，而CUDA就像一个很粗重的加速库，其主要依靠的是显卡。cuDNN需要在有CUDA的基础上进行，可以在CUDA基础上加速2倍以上。
下载安装之前，这里再简要介绍几个关键概念
NVIDIA的显卡驱动器与CUDA
NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念，CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。
NVIDIA显卡驱动和CUDA工具包本身是不具有捆绑关系的，也不是一一对应的关系，CUDA本质上只是一个工具包而已，所以我可以在同一个设备上安装很多个不同版本的CUDA工具包，一般情况下，我只需要安装最新版本的显卡驱动，然后根据自己的选择选择不同CUDA工具包就可以了。
CUDA和cuDNN关系
CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。
注意：cuDNN是一个SDK，是一个专门用于神经网络的加速包，它跟我们的CUDA没有一一对应的关系，即每一个版本的CUDA可能有好几个版本的cuDNN与之对应，但一般有一个最新版本的cuDNN版本与CUDA对应更好。
CuDNN支持的算法
- 卷积操作、相关操作的前向和后向过程
- pooling的前向后向过程
- softmax的前向后向过程
- 激活函数的前向后向过程,如（Relu、Sigmoid、Tanh ）等
cuDNN的下载与安装
第一步：官网下载cuDNN的安装包,地址：https://developer.nvidia.com/cudnn，这里需要你注册一个账号，按照要求注册完就可以下载安装包了，这里我的CUDA安装的是10.2版本的，我就安装与我CUDA对应的cuDNN了。
第二步：下载好安装包后，利用解压软件解压出来
第三步：复制粘贴 bin、include、lib三个文件到CUDA的安装目录进行覆盖替换，
cuDNN到此安装成功！
下面我介绍Pytorch-GPU的下载安装的三种方式
- Conda安装（官网命令下载速度慢，设置镜像源后可加速）
- Pip安装（设置镜像源，设置镜像源后可加速）
- *安装（官网下载*，*安装）
第一步：打开Anaconda Navigator中新建一个虚拟环境，选择Enviroments->Creat->点击,自己设置环境名(这里我设为py35)和Python版本，也可以用命令创建环境
第二步：创建完后，点击py35旁边的绿色三角形箭头，选择Open Terminal，在命令行中打开，我们就可以使用命令的方式在该虚拟环境py35中安装Pytorch-GPU了
第一种：Conda安装
第一步：首先我们来到Pytorch-GPU的官网，选择CUDA的安装平台以及版本、Conda或者Pip安装,在下方粘贴复制安装命令即可，但是这里下载速度极慢，很容易出现CondaHTTPError，因为默认的镜像是官方的，由于官网的镜像在*,访问太慢或者不能访问，为了能够加快访问的速度，我们更改Conda下载安装包的镜像源
第二步：这里我们首先设置一下Conda下载安装包的镜像源，输入以下命令：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
第三步：添加完后，在用户目录下，如：C:\Users\11703 ，找到 .condarc 文件，使用记事本打开，删除里面的 defaults，这样能快点，或者在其前面加#号注释掉。
注意：用conda安装包的标准语法格式为：conda install -c <channel><packagename>，而pytorch官网中conda给的命令行是上图那样的，有-c选项，就说明已经指定了官方下载源，所以自己配置的镜像源不管用， 所以应该把-c pytorch去掉，就可以从镜像源下载文件了。
输入y，即正式下载和安装
友情提示：如果你想再次换源安装，需要使用以下命令conda config --remove-key channels恢复默认源的命令，否则会报错，然后再次配置你想要的镜像源。
第二种：Pip安装
pip添加源安装，等待一段时间安装完成即可，安装命令：
pip install torch===1.5.0 torchvision===0.6.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple
第三种：*安装
pytorch*文件下载地址：https://download.pytorch.org/whl/torch_stable.html，分别下载安装torch和torchvision安装包，这里请注意自己安装的CUDA、以及torch、torchvision版本匹配，最后创建的Python环境请和下载的一致。如下图举例
下完*文件之后，命令窗口到相应虚拟环境以及*安装目录下，命令安装*，我的*文件放在了D盘，
这里注意: 安装Pytorch需要依赖包numpy、future,可以提前安装好，安装torch检测到没有numpy时，会自动帮我们下载安装依赖包numpy、future，不用担心，但是过程缓慢，建议提前安装后numpy、future。
下载安装torch完成后，我们开始安装torchvision,torchvision需要安装依赖包pillow，这里教大家提前安装的方法，使用如下命令，如果出现问题加上信任选项 trusted host，pip install-i https://pypi.tuna.tsinghua.edu.cn/simple--trusted-hostpypi.tuna.tsinghua.edu.cn pillow
安装torchvision
最后我们检测Pytorch-GPU是否安装完成
先使用命令pip list查看已安装的包列表，再输入命令python，然后 torch.cuda.is_available()，输出True,即安装成功
本期教程至此就结束了，觉得不错的点个赞吧，整理不易，希望大家支持,想要pytorch*安装包，关注我即可获取
更多有关python、深度和计算机编程的精彩内容，可以关注我的微信公众号：码农的后花园
