Ubuntu安装完显卡驱动、CUDA和cudnn后，下面部署深度学习环境。
（安装Ubuntu系统、显卡驱动、CUDA和cudnn见我之前的文章）

安装Anaconda

从官网（anaconda.com）下载。
首页会自动根据你的系统判断，直接点Download即可。

sh文件下载完毕后，打开终端，使用bash命令安装 bash Anaconda3-2023.03-1-Linux-x86_64.sh。
根据提示进行安装即可。

安装路径可以默认。

输入yes，初始化Anaconda。

安装完成～

---

根据上面提示，如果想要conda的基础环境（base）在启动时不被激活，需要输入：
conda config --set auto_activate_base false
我们重启终端，输入以上命令即可。

这样安装完毕！

创建新环境

我们之前已经安装了cuda 11.7和cudnn。
这次试着创建一个名为“pytorch2”新的python环境（Python3.10）：

---

打开终端，创建新环境。

conda create --name pytorch2 python=3.10

接着激活。

conda activate pytorch2

安装Pytorch2.0

拟安装：
pytorch2.0
torchvison0.15.1
torchaudio2.0.1
（注：既往cuda版本和pytorch版本对应参考：pytorch；
pytorch和 torchvision、torchaudio 版本的对应参考：torchaudio、torchvision）

---

在首页，我们可以获取安装的命令，在刚创建的环境下，终端输入即可（如下图）。
当然，我们也可以自行下载对应的包自己安装。

---

再介绍一下手动下载安装对应的库的方法。
下载地址：https://download.pytorch.org/whl/torch_stable.html
找到对应的链接：
pytorch2.0：cu117/torch-2.0.0%2Bcu117-cp310-cp310-linux_x86_64.whl
torchvision 0.15.1：cu117/torchvision-0.15.1%2Bcu117-cp310-cp310-linux_x86_64.whl
torchaudio 2.0.1：cu117/torchaudio-2.0.1%2Bcu117-cp310-cp310-linux_x86_64.whl

终端激活对应环境，安装轮子：

pip install torch-2.0.0+cu117-cp310-cp310-linux_x86_64.whl
pip install torchvision-0.15.1+cu117-cp310-cp310-linux_x86_64.whl
pip install torchaudio-2.0.1+cu117-cp310-cp310-linux_x86_64.whl

注：如果安装依赖包很慢，可以在命令行后面添加清华源地址 -i https://pypi.tuna.tsinghua.edu.cn/simple

---

最后再安装一些必要的包，如numpy,pandas,matplotlib,opencv-python,tqdm等即可。

测试GPU是否可用：

安装VS Code

官网下载：https://code.visualstudio.com/Download
选择.deb（我是x64版）

下载完deb文件后，终端输入sudo dpkg -i code_1.77.3-1681292746_amd64.deb安装。
安装完后打开VS Code，安装Python插件即可。

Ubuntu下实时查看GPU状态的方法

终端：

watch -n 3 nvidia-smi

以3秒一刷新的方式打开nvidia-smi，可以实时查看显存情况和进程。

小实验：Ubuntu、Windows10下GPU训练速度对比

下面一张图直接对比了Ubuntu、Windows10的训练速度对比。
均为采用MobileNet微调模型训练猫狗分类实例（具体例子见我）。