网上关于机器学习环境部署的文章资料很多，有些可能只是一部分过程，有些则写得很长很长，遇到一些比较好的但要专业知识才能看得懂。

个人曾经看了一个80分钟环境部署视频，事实上只需要一页文档就能说清楚的，视频作者没剪辑，把所有出错排错搜索的过程也放在里边。

于是自己也做一个pytroch机器学习环境的笔记，完成了在个人电脑上用RTX3080跑机器学习的环境并跑了相关脚本，分享出来，注意是windows平台。网上有用到Conda管理环境的，这里没使用。

环境部署主要分为以下几个大步骤

1、Python安装

2、Pytroch安装

3、CUDA的安装

4、CUDNN的安装

5、环境变量与测试

1、Python安装

在本次安装中选择安装python3.8，从官网下载exe并安装。

2、Pytroch安装

一般上官网下载当前最新版即可，用官网的pip命令直接安装。

再用pip命令安装，有时候cmd看似网速快，下到一半报错了，就得重来。

也可以在官网离线下载后用安装包安装，毕竟离线下载可以用加速工具，不会太慢。

3、CUDA的安装

确定cuda版本，cuda的版本由pytroch决定， 可在pytroch那看cuda用哪个，上边截图显示了用cuda11.7。

下载cuda11.7并安装，比较大，建议用加速工具。

4、CUDNN的安装

这里是要注册登录后才能下载cudnn的，用工具加速下载。

cudnn的安装比较奇怪，解压复制到cuda目录即可，默认安装的情况下,CUDA目录于C:Program FilesNVIDIA GPU Computing ToolkitCUDA

打开CUDNN的解压目录，将include里的文件复制到CUDA的安装目录下的include文件夹中，将lib里的文件复制到CUDA的安装目录下的libd文件夹中，将bin里文件复制到CUDA的安装目录下的bin文件夹中。

5、环境变量与测试

CUDA_PATH 为CUDA的安装路径。（默认可能在安装CUDA时已经存在）

CUDNN_PATH 为CUDNN解压目录的路径 （可以拷贝一个到CUDA目录下，方便统一打理）

在系统环境变量中找到变量Path，将CUDA的bin目录路径和CUDNN的bin目录路径添加到其值中。（默认可能在安装CUDA的时已经存在）

安装完成后，可以打开命令行工具，输入nvcc -V命令检查CUDA是否安装正确。如果输出的结果中包含CUDA的版本号，说明安装成功。

之后就正常使用了，跑不用脚本少啥就用pip装啥。