Anaconda+Pycharm相关配置

一、Anaconda管理Python环境

Anaconda是管理Python工程环境的，默认的base环境有很多包是平时Pycharm编程使用不到的，所以为了便于进行包的管理，在Anaconda下新建一个Pycharm基础环境，使各项目间包环境和版本互不冲突和影响。

（1）新建开发环境

方式一：进入Anaconda软件后，直接Create 新建即可

或者 方式二：进入base环境下的终端后，输入以下指令：新建+激活环境
conda create -n env_nameconda activate env_name

注意：默认新建的环境会存放C:\Users\xxx\.conda\envs\，而不在anaconda安装目录下的envs中

修改conda环境安装路径，解决环境默认安装在C盘问题

找到C:\Users\xxx\.condarc文件，记事本打开并在末尾添加

envs_dirs:
  - D://TOOL//Anaconda3//envs #新的环境保存位置 注意是//

修改anaconda安装目录下的envs的权限：

右击envs----选择属性—安全----编辑----Users----全选Users的权限—确定

然后在Anaconda里创建环境即可

（2）安装包

Anaconda更换源：

激活base环境，输入以下指令 创建.condarc文件

若C:\Users\lxchel下已存在.condarc文件则忽略此步骤

conda config --set show_channel_urls yes

C:\Users\lxchel下更改.condarc文件中的内容：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

或者下载时添加源：

该界面没有的其它工具包，可通过进入新建环境它的终端后台，输入指令下载：
可利用百度搜索Python源加速下载 此处为清华源pip install XXX -i ​​https://pypi.tuna.tsinghua.edu.cn/simple​​

pip永久源：

windows下，直接在user目录中创建一个pip目录，如：C:\Users\xx\pip，新建文件pip.ini，内容如下

[global]
 index-url = https://pypi.tuna.tsinghua.edu.cn/simple

（3）Python交互台

步骤1：Win+R cmd打开终端

步骤2：输入python（注意全是小写字母），然后回车

步骤1：Win+R cmd打开终端

步骤2：输入ipython（注意全是小写字母），然后回车

ipython采用Jupyter内核，支持Tab键自动补全，自动缩进

二、Pycharm配置Python解释器

新建工程时，或者通过File -> Setting…选择解释器为本工程下的Python解释器

选择Anaconda中已存在的环境，而不选新建环境

又回到New Project界面，这时可以看到虚拟环境已经添加过来了，最后点Create就创建成功啦！

更换清华源：

​​https://pypi.tuna.tsinghua.edu.cn/simple​​

安装插件：在【File】-【Settings】页，找到【Plugins】

• Chinese (Simplified) Language Pack / 中文语言包
• Translation（翻译）
• CodeGlance（缩略图）
• Rainbow Brackets（彩虹色）
• Tabnine（智能补全代码）同Kite
• Indent Rainbow（彩色块缩进）
• Rainbow CSV（彩色查看）
• Key Promoter X（快捷键）

三、Pycharm中使用Jupyter

在Anaconda环境下安装Jupyter

在pycharm中，右键工程名——新建Jupyter项目——命名

提示未安装Jupyter，直接忽略即可，不要点击安装

四、Pycharm使用操作

Ctrl+点击函数

Ctrl+P 显示参数

Alt+inter 快速修复 点击问题--点击具体问题内容--点击左侧黄色灯泡

Ctrl+/==#

五、Pytorch GPU环境配置

​​从零开始教你在Windows上安装PyTorch，支持GPU计算，验证测试_哔哩哔哩_bilibili​​

1. Anaconda中新建Pytorch环境
2. 安装CUDA

Win+R cmd 输入以下指令查看CUDA版本，配置时应选择比自己电脑CUDA版本低的

nvidia-smi

pytorch官网：​​PyTorch​​，点击Install安装，选择相匹配的版本pytorch版本

安装指令的CUDA版本，不得高于电脑的CUDA版本，例如上方我的版本是11.6，就不能选11.7版本。此外可以选择低一点的历史版本，点击上面红色字体跳转，选择版本复制指令

将上图最后一行的conda安装指令复制下来，粘贴到Env_pytorch环境下的conda终端

conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia

这样安装不成功，因此自己下载

直接在浏览器上方搜cuda11.6，去cuda官方下载

简洁版默认安在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6，可自定义安装

再去cudnn官网下载​​CUDA 深度神经网络库 (cuDNN) | NVIDIA Developer​​

cuDNN是用于深层神经网络的gpu加速库

cuDNN 解压缩后的同名文件夹中的配置文件会添加到 CUDA安装目录中的同名文件夹中

配置完成后，我们可以验证是否配置成功：

首先win+R启动cmd，cd到安装目录下的 …\extras\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe，显示Pass即安装成功

3.安装Pytorch

将conda安装指令复制下来，粘贴到Env_pytorch环境下的conda终端

conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia

这样安装不成功，因此自己下载 pytorch+ torchvision+ torchaudio

​​https://download.pytorch.org/whl/torch_stable.html​​

第三个需要numpy，需要提前更改好源，否则下载不了

打开Env_pytorch环境终端，切换到所在文件夹下

D:    
cd D:\TOOL\Envs\Pytorch
pip install "torch-1.13.1+cu116-cp39-cp39-win_amd64.whl"
pip install "torchaudio-0.13.1+cu116-cp39-cp39-win_amd64.whl"
pip install "torchvision-0.14.1+cu116-cp39-cp39-win_amd64.whl"

安装完成后，在python环境下验证

import pytorch
print(torch.cuda.is_available())
print(torch.__version__)    #显示版本

返回True，即配置成功

六、TensorFlow GPU环境配置

1. 安装CUDA（同上，安装过则跳过）
2. 安装TensorFlow

在Env_TensorFlow环境终端下输入：

conda search --full --name tensorflow

可以查看当前有哪些可以使用的tensorflow版本，然后再安装（需添加pip源，否则很慢）

pip install tensorflow==2.10

1. 在Python环境下验证

python
import tensorflow as tf
tf.test.is_gpu_available()
tf.config.list_physical_devices('GPU')

输出[]表示没配置好，如果配置好了会显示：[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]