最近在做项目时，遇到了一个极为经典的场景——配置深度学习环境。如果你之前接触过，一定知道这个过程有多繁琐：先要去NVIDIA官网下载CUDA安装包，再找cuDNN压缩包，最后还得手动配置系统环境变量。版本匹配稍有不慎就会出错，耗费几个小时是家常便饭。说实话，对新手来说非常不友好，但现在有了更高效的方法——借助Anaconda来配置PyTorch或PaddlePaddle环境，它能够自动帮你安装好CUDA和cuDNN。这篇文章就是为了帮助刚入门的同学，尽可能少走弯路，顺畅地跑通整个流程。
一、NVIDIA驱动安装
简单来说，显卡驱动是操作系统与硬件之间沟通的桥梁。理论上，只要电脑安装了显卡，驱动通常已经就绪。但有一个关键点：驱动版本可能较旧，能支持的CUDA版本也就相对较低。如果你的显卡型号较老，不建议强行升级驱动——容易引发兼容问题。不过话说回来，做深度学习还是需要一块性能尚可的显卡，业内有个共识：硬件越强，训练速度越快，效率翻倍。过来人在这方面可是有深刻体会的。
先查一下你的显卡型号：右键“此电脑” → “管理” → “设备管理器” → “显示适配器”。这里就能看到你显卡的型号了。
如果已经有显卡驱动，按桌面右键，找到“NVIDIA控制面板”打开就行。
知道了显卡型号，就可以去NVIDIA官网查找对应的驱动更新。下载地址可能加载较慢，多试几次即可。根据你的电脑配置选择驱动，注意：笔记本用户在产品系列那一项里要选带“Notebooks”的。下载类型有Studio版和Game Ready版，前者偏办公，后者偏游戏，区别不大，按需选择即可。下载后像安装普通软件一样一直点“下一步”就完成了。
装好驱动后，按“Win+R”打开运行框，输入cmd打开命令窗口，然后输入：
nvidia-smi
你会看到类似下面的信息：驱动版本号、最高支持的CUDA版本。比如我这里驱动是442.50，最高支持CUDA 10.2。这个版本号就是后面选择深度学习环境时的关键依据。
二、Anaconda 的安装
打开Anaconda官网（目前大概对应支持Python 3.8），如果想下载旧版本可以翻到最下面的“Archive”。
双击安装包，会弹出一个选项：“Just me”表示仅当前用户可用；“All Users”则本机所有用户都能用。如果你电脑只有一个用户，两者没有区别，直接选“Just me”即可。
然后一路点“Next”，到选择安装路径时——千万不要默认装在C盘！Anaconda以后创建的环境和包会占用不少空间，最好在D盘专门建一个文件夹来存放。
接着把图中那个勾选上——虽然会有一个红色警告，但这是为了将Anaconda加入环境变量，必须勾选。然后点“Finish”完成安装。
装好后，按Windows键，左侧会多出“Anaconda3”文件夹，说明安装成功。
三、Pytorch环境安装
按Windows键，找到“Anaconda Prompt”打开终端。
先查看当前有哪些环境：
conda env list
刚安装好的Anaconda只有一个base环境。
这里简单说明一下Anaconda的环境管理：base就像一个大房子，每创建一个新环境，相当于在房子里用隔板划分出一个小房间。每个房间可以独立安装各种包，管理起来非常清晰。
接下来创建虚拟环境，命令格式为 conda create -n 环境名 python=版本号。例如我创建一个叫pytorch、Python版本3.8的环境：
conda create -n pytorch python=3.8
在base环境中执行，系统会开始安装一些基础包。弹出询问是否继续时，输入y即可。
安装完再执行conda env list，就能看到多了一个pytorch环境。现在可以在这个环境里安装深度学习框架和其他Python包了。
激活这个环境：conda activate pytorch。
接下来要安装PyTorch的GPU版本。因为官方源在国外，下载速度很慢，最好先换成国内镜像源（以清华源为例）。在pytorch环境下依次执行：
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
然后打开PyTorch官网（pytorch.org），根据之前nvidia-smi查到的信息：我的显卡是GeForce MX350，最高支持CUDA 10.2，所以在官网上选择对应的CUDA 10.2版本，复制下面那行安装命令。
粘贴到pytorch环境的终端中运行：
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=10.2 -c pytorch
这时候就开始下载依赖包了，等待它执行完毕即可。
四、pycharm安装——验证CUDA和cudnn版本
打开pycharm官网（jetbrains.com/pycharm），有两个版本：专业版（Professional）需要付费，几百美元一年；社区版（Community）免费，功能完全够用，就下载社区版吧。
安装包双击，安装路径同样建议放在D盘，别放C盘——个人习惯，怕C盘哪天满了。
所有选项都勾选上，然后点Finish完成安装。
打开pycharm，新建一个工程。创建工程时，通常需要安装一个Python插件。文件位置最好也选在D盘，有些工程体积不小，C盘容易告急。
工程建好后，我们需要把环境切换到Anaconda里装好的pytorch环境。在pycharm右下角，找到Python解释器设置，按照图中指引，选择pytorch环境即可。
选好后，右下角会显示当前使用的Python，正是pytorch环境里的那个。
现在我们来验证一下，Anaconda在安装PyTorch时是否真的自动配好了CUDA和cuDNN。新建一个Python脚本，输入以下代码：
import torch
print(torch.cuda.is_a vailable())
print(torch.backends.cudnn.is_a vailable())
print(torch.cuda_version)
print(torch.backends.cudnn.version())
运行后，如果控制台打印出两个True，说明CUDA和cuDNN已经就绪。同时还能看到具体的版本号，比如我这里CUDA是10.2，cuDNN是7.6.5。
至此，整个深度学习环境就已经配置完毕。接下来就可以在这个环境中愉快地运行实验了。最后提一句：你完全可以创建多个不同的环境，分别安装不同版本的CUDA和cuDNN，这个方法我已经亲自测试过，完全可行。