1.APEX with Anaconda 安装教程
2.[技术随笔]🛠🛠从源码安装Pytorch3D详细记录及学习资料
3.常用pip命令和conda命令总结
4.Python Anaconda以及Pip配置清华镜像源代码示例
5.(看这篇就够了)python安装依赖(包)模块方法
6.win10 + CUDA 9.0 + cuDNN 7.0 + tensorflow源码编译安装

APEX with Anaconda 安装教程

       针对使用conda安装Pytorch时出现的码安cudatoolkit阉割版问题，安装apex包时遇到的码安nvcc程序缺失，conda-forge提供了解决方案。码安通过使用cudatoolkit-dev，码安提供多个版本的码安cuda，以及nvcc和cuda-gdb等二进制程序，码安iwshop源码部署文档成功解决了安装问题。码安以下步骤详细介绍了实现过程：

       首先，码安使用命令`conda search cudatoolkit-dev -c conda-forge`查找可安装的码安版本。

       其次，码安从nvidia官网下载对应版本的码安cudatoolkit安装文件，并存放到一个目录。码安

       接着，码安设置环境变量`export DEBUG_INSTALLER_PATH=所下载安装文件的码安目录`。

       随后，码安利用命令`conda install cudatoolkit-dev==对应版本号 -c conda-forge`进行安装。

       安装完成后，通过`nvcc -V`命令验证nvcc程序是否成功安装。

       接着，课堂作文程序源码切换目录至apex源码所在位置。

       最后，执行`pip install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./`命令，成功安装apex包。

[技术随笔]🛠🛠从源码安装Pytorch3D详细记录及学习资料

       在启动安装Pytorch3D之前，首要任务是选择合适的pytorch基础镜像。我选择了包含CUDA组件和驱动的pytorch 1.9的devel版本，以确保满足Pytorch3D对于pytorch和cuda版本的要求。我使用的是python 3.7、pytorch 1.9和cuda.2，前提是你已经在宿主机上配置好了显卡驱动和nvidia-docker，以便在容器内映射宿主机的显卡信息。

       在安装前，确保nvcc编译器、CUDA工具箱和驱动正常运行，并且安装了git、vim、sudo和curl等基础工具。unity地形 漫游源码

       下一步是配置CUB工具。按照Pytorch3D的安装文档，为了支持CUDA，需要先配置CUB，并设置CUB_HOME环境变量。由于选择的镜像包含CUDA，编译过程中会自动包含cuda。为保险起见，可以指定FORCE_CUDA环境变量为1。

       从源码编译Pytorch3D时，避免了使用conda可能遇到的依赖冲突问题。在确认前两步没有问题后，编译过程通常顺利。安装完成后，检查日志和pytorch3d的版本信息。

       为了验证Pytorch3D的正常运行，从ARkit中导出BS系数，尝试使用它渲染一个简单的在线打字系统源码白模，并利用GPU。观察到显卡被充分利用，表明设置正确，可以进行后续操作。

       在完成安装并验证Pytorch3D的功能后，可以参考收集的资料来探索其更高级的用法。以下是几个示例：

       从Pytorch3D文档中获取的教程和代码示例。

       开源社区的讨论和问题解答，特别是与Pytorch3D相关的话题。

       个人经验分享和案例研究，可以在GitHub、Stack Overflow等平台找到。

       通过这些资源，您可以深入学习Pytorch3D的功能和应用，进一步拓展其在计算机图形学、三维重建和深度学习等领域的应用。

常用pip命令和conda命令总结

       本文将总结两种常用包管理工具pip和conda的基本命令，帮助你更好地进行软件安装、matlab e的源码升级和管理。

       pip命令

       基础安装：pip install matplotlib

       指定版本：pip install matplotlib==特定版本号，如 pip install numpy=1..2（安装最新子版本）或pip install numpy==1..0（安装特定版本）

       从requirements文件安装：pip install -r requirements.txt

       升级库：pip install -U 库名

       更换镜像源：pip install -i 镜像源URL，或在pip.conf中设置

       手动安装whl文件：pip install 文件路径/xrld-1.2.0.whl

       conda命令

       基础安装：conda install matplotlib

       指定版本：conda install matplotlib=或==版本号，注意版本选择差异

       版本限定：conda install "numpy <= 1..2" 或 "numpy >= 1..0"

       镜像源管理：conda config --add channels 镜像源

       源码安装与卸载

       对于源码安装，记录安装细节：pip install --record XX.log 库名，卸载时参考记录卸载。

       查看与管理

       pip：pip list 显示已安装库，pip show 库名 查看库信息

       conda：conda list 和 conda info 库名 用于库管理

       虚拟环境：conda提供了强大的环境管理功能，如创建、激活和切换环境

Python Anaconda以及Pip配置清华镜像源代码示例

       当你在新电脑上安装Python的Anaconda时，可能会遇到下载速度慢或安装失败的问题。为了解决这些问题，许多用户选择使用国内的镜像源，如著名的清华镜像。以下是配置Anaconda和Pip使用清华镜像源的步骤:

       首先，为了改变Anaconda的默认源，执行以下命令：

       conda config --show channels

       接着，移除原有的源:

       conda config --remove-key channels

       对于Pip，你可以临时设置国内镜像:

       pip install some-package -i /simple

       如果想要永久改变Pip的全局设置，可以这样操作:

       pip config set global.index-url /simple

       除了清华镜像，还有其他一些国内常用的镜像源，例如中国科学技术大学和华中理工大学的:

       conda config --add channels /

       conda config --add channels /simple/ 模块名

       常见国内镜像地址包括：阿里云、中国科技大学、清华大学等。

       通过以上步骤，您将能够熟练地在Python中安装和管理依赖模块，提升开发效率。

win + CUDA 9.0 + cuDNN 7.0 + tensorflow源码编译安装

       在配置个人深度学习主机后，安装必备软件环境成为首要任务。使用Anaconda5.0.0 python3.6版本管理Win python环境，新建基于python3.5的tensorflow-gpu-py conda环境。直接使用conda安装tensorflow，会默认安装tensorflow-gpu 1.1.0并主动安装cudatoolkit8.0 + cudnn6.0。若需配置CUDA环境，需自行下载并安装cuda9.0 + cudnn7.0，配置环境变量。pip安装tensorflow，会默认安装最新版本tensorflow-gpu 1.3.0。配置不当导致import tensorflow时报错：'ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'。尝试源码编译tensorflow解决此问题。

       查阅tensorflow官网文档，了解cmake window build tensorflow方法。文档中提到，tensorflow源代码目录下有详细网页介绍Windows环境编译方法，包含重要信息。发现安装tensorflow-gpu版本、配置CUDA8.0 + cuDNN6.0/cuDNN5.1或CUDA9.0 + cuDNN7.0时，import tensorflow时报错。查阅错误信息，网上解答提及需要配置正确的CUDA和cuDNN版本。然而，尝试安装和配置后依然报错。安装tensorflow cpu版本无问题，确认CUDA环境配置错误。

       决定源码编译tensorflow-gpu以解决问题。查阅文档，执行编译操作。在window环境下编译tensorflow源码，需要准备的软件包括Git、tensorflow源码、anaconda、swig、CMake、CUDA、cuDNN、Visual Studio 。在百度网盘下载相关软件。

       配置过程中，修改CMakeLists.txt以适应CUDA 9.0 + cuDNN 7.0。在cmake目录下新建build文件夹，执行命令配置tensorflow。配置后进行编译，遇到问题如：cudnnSetRNNDescriptor参数不匹配、网络访问问题、编码问题、protobuf库下载问题、zlib.h文件不存在、下载链接失败、无法解决的错误等。

       为解决这些问题，采取相应措施，如修改cuda_dnn.cc文件、网络代理设置、文件编码转换、忽略警告信息、多次尝试下载、修改cmake配置文件等。遇到无法解决的问题，如CUDA编译器问题、特定源代码文件问题，提交至github tensorflow进行讨论。

       完成源码编译后，安装tensorflow-gpu并进行验证。在下一步中继续讨论验证过程和可能遇到的后续问题。整个编译过程耗时、复杂，需要耐心和细心，希望未来能有官方解决方案以简化编译过程。