Python深度学习环境配置（Pytorch、CUDA、cuDNN），包括Anaconda搭配Pycharm的环境搭建

在Python深度学习环境中配置 PyTorch、CUDA 和 cuDNN通常涉及以下几个步骤：

1. **安装Anaconda**：
Anaconda是一个包含了Python和大量科学计算库的开源发行版。首先，访问https://www.anaconda.com/products/distribution 下载适合你操作系统的版本。

2. **创建新环境**：
打开命令行或终端，创建一个新的Conda虚拟环境用于深度学习项目：

   conda create -n pytorch_env python=3.8 anaconda

进入新环境：

   conda activate pytorch_env

3. **安装PyTorch**：

   conda install pytorch torchvision cudatoolkit=11.0 -c pytorch

或者使用pip：

   pip install torch torchvision cpuonly-cuml -f https://nvidia.github.io/cuda-repo-ubuntu1804/

如果需要GPU支持，记得替换`cudatoolkit`版本为你电脑实际的CUDA版本。

4. **安装cuDNN**：
对于PyTorch，cuDNN已经内置于了安装包里，无需单独安装。如果你需要确认，可以检查`torch.backends.cudnn.version()`。

5. **安装PyCharm**：
访问PyCharm官网下载并安装，选择"专业版"或"社区版"都行。安装完成后，在PyCharm中设置新项目时，选择Python解释器时选择刚才创建的虚拟环境。

6. **配置PyCharm**：
- 打开PyCharm，点击 "Edit Configurations" -> "Project Interpreter"，然后点击 "+" 添加新的Python解释器，从现有环境列表中选择你刚创建的虚拟环境。
- 配置 CUDA 可能需要额外设置，如果遇到CUDA路径找不到的问题，可以在PyCharm的运行/调试配置中手动添加路径。

7. **验证环境**：
在PyCharm中运行一个简单的PyTorch代码片段，测试是否能够正常利用GPU加速。