下载Miniconda：

为了节省空间，习惯安装miniconda，功能上没有什么差别，但是胜在小而轻，只包含了Python和Conda，但并没有预装其他的库。

Miniconda的官网：https://docs.conda.io/en/latest/miniconda.html

这里我选的是python3.8的版本

查看显卡情况

虚拟环境操作：

执行：conda config --set show_channel_urls yes生成condarc文件，添加镜像源

打开condarc，粘贴如下内容：

channels:
  - https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
 
show_channel_urls: true

然后就可以创建虚拟环境了！

但是这里还不着急安装其他的包。

安装显卡驱动：

CUDA为开发者们提供利用GPU并行计算的API，加速框架的训练速度足够快，是目前最好的选择。所以还是需要安装一下方便运行pytorch。

查看自己的gpu驱动版本

cuda和驱动版本的对应关系如下：

可以从这个网站直接下载CUDA Toolkit 12.3 Update 2 Downloads | NVIDIA Developer

下载local版本会更方便，这里我下的最新版本12.3

精简安装会安装CUDA相关组件，同时也会将显卡驱动重新安装，如果不想重新安装显卡驱动，可以选择自定义安装

至此可以通过命令nvcc -V查看Cuda版本

安装cudnn：

cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。网址cuDNN Download | NVIDIA Developer

自行选择合适的版本

解压后将

• cuDNN目录中的 bin中的文件移动到 CUDA 的 bin 目录中
• cuDNN目录中的 include 中的文件移动到 CUDA 的 include 目录中
• cuDNN目录中的 lib 中的文件移动到 CUDA 的 lib 目录中

这样就完成了cudnn的安装

验证安装：

还是刚刚的include路径，cudnn版本在cudnn_version.h中查看

我的cudnn版本也就是8.9.7

通过这个路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3\extras\demo_suite下打开cmd

输入命令deviceQuery.exe

再输入bandwidthTest.exe

至此就安装成功！可以在虚拟环境中进行深度学习计算啦