在Windows系统下利用GPU-NVIDIA-Geforce-RTX4090-机器学习-深度学习底层环境搭建流程
在Windows系统下利用GPU-NVIDIA-Geforce-RTX4090-机器学习-深度学习底层环境搭建流程中，涉及的一些特有名称，会一定程度上的介绍比如：Anaconda、CUDA、cuDNN、Pycharm等，下面我们直接开始底层环境搭建：
登录NVIDIA官网下的驱动下载：
Official Drivers | NVIDIA
http://www.nvidia.com/Download/index.aspx?lang=en-us
NVIDIA Driver Downloads
NVIDIA Driver Downloads-yours GPU
查询自己的GPU 具体系列型号；（SD&GRD）
NVIDIA Driver Downloads-yours GPU-license
然后开始进行下载；(SD&GRD)
NVIDIA Driver for NVIDIA Studio Driver
NVIDIA Driver for NVIDIA Game Ready Driverss
登录NVIDIA官网下的CUDA toolkit：
CUDA Toolkit Archive | NVIDIA Developer
http://developer.nvidia.com/cuda-toolkit-archive
NVIDIA CUDA Toolkit Archive
查询自己的GPU最适配的CUDA Toolkit版本；（这个是在安装完NVIDIA Geforce RTX 4090的驱动之后，打开终端输入nvidia-msi来查看GPU所支持的最佳CUDA、cuDNN版本）
也可以在NVIDIA官网下的文档查看CUDA Toolkit与CUDA驱动的对应关系：
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/
Docs.NVIDIA.CUDA-tooolkit-release
登录NVIDIA官网下的cuDNN：
cuDNN 9.1.0 Downloads | NVIDIA Developer
http://developer.nvidia.com/rdp/cudnn-download
NVIDIA cuDNN Downloads
操作系统选择为Windows系列选项进行下载；
NVIDIA cuDNN Downloads for yours Windows
Anaconda下载安装：
Unleash AI Innovation and Value | Anaconda
http://www.anaconda.com
Anaconda Downloading
Pycharm下载安装：
Download PyCharm: The Python IDE for data science and web development by JetBrains
http://www.jetbrains.com/pycharm/download/?section=windows
Pycharm Downloading
下面进行win10操作系统下的操作；
下载文件
值得注意的是安装完NVIDIA DRIVER(我选用的是Nvidia Geforce RTX 4090的驱动)的驱动之后，通过win+R进行呼出 cmd命令行，键入“nvidia-msi”查看当前支持的CUDA最高版本，然后登录到https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/查询你所安装CUDA版本对应的cuDNN版本；
更改路径
这里不能随意更改路径；按照默认路径安装；
正确的NVIDIA-DRIVERS路径
默认路径下的正确的NVIDIA-DRIVERS路径
开始安装驱动
同意条款开始安装驱动
选择安装类
驱动安装完成
Anaconda是一个开源的Python发行版和包管理器，用于简化Python环境的管理和安装第三方包。Anaconda包含了大量常用的数据科学工具和库，如NumPy、Pandas、Matplotlib等，使得用户可以更方便地进行数据分析、机器学习和科学计算等工作。
在现代社会科研工作中，Anaconda具有重要的作用。首先，Anaconda提供了一个统一的Python环境，避免了因为不同项目需要不同版本的Python和第三方库而导致的环境配置问题。其次，Anaconda的包管理器可以方便地安装、更新和管理各种第三方库，提高了工作效率。此外，Anaconda还提供了Jupyter Notebook这样的交互式开发环境，使得用户可以更加方便地进行数据分析和可视化工作。总的来说，Anaconda为科研工作者提供了一个便捷、高效的工具，帮助他们更好地进行科学研究和数据分析。
安装Anaconda
同意安装Anaconda条款
安装类型是公共安装
默认路径安装
安装选项勾选
安装开始
安装完成
Anaconda的广告
可以选择注册Anaconda账户
Anaconda正常使用
PyCharm是一款由JetBrains公司开发的Python集成开发环境（IDE），旨在提供专业的开发工具和功能，帮助开发者更高效地编写、调试和部署Python代码。PyCharm提供了丰富的功能，包括代码智能提示、语法高亮、代码重构、版本控制、调试器、单元测试等，使得开发者可以更加方便地进行Python开发工作。
PyCharm支持多种Python框架和库，如Django、Flask、NumPy、Pandas等，同时也支持其他技术栈，如HTML、CSS、JavaScript等，使得开发者可以在同一个环境中进行全栈开发。此外，PyCharm还提供了丰富的插件和可定制的界面，满足不同开发者的需求。
总的来说，PyCharm是一款功能强大、易于使用的Python开发工具，适用于各种规模的项目和开发团队，帮助开发者提高开发效率和代码质量。
Pycharm安装
默认路径安装
安装选项勾选
启动项菜单
安装开始
安装完成
CUDA安装
CUDA安装引导
CUDA安装开始
CUDA条款
CUDA安装类
目前，cuDNN还没有安装，这里介绍一下CUDA与cuDNN；CUDA (ComputeUnified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。NVIDIA cuDNN（CUDA Deep Neural Network Library）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。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算。CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。
下面进行cuDNN的安装：
可以看出来cuDNN里面是文件夹与许可证的形式；
bin文件夹内部文件复制到对应到之前安装的CUDA的bin文件夹路径下：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
bin文件
include文件夹内部文件复制到对应到之前安装的CUDA的bin文件夹路径下：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\include
include文件
lib文件夹内部文件复制到对应到之前安装的CUDA的bin文件夹路径下：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\lib\x64
lib文件
还有cuDNN的许可证也要复制到与之前的bin、include、lib同级目录下，才算完成cuDNN的完整安装；
license文件
目前所有底层环境前期准备已完成，下面进行底层环境的搭建：
进入Anaconda内部，进行创建环境：
创建环境
super基础环境
这里介绍一下conda：Conda是一个开源的软件包管理系统和环境管理系统，用于在不同操作系统上安装和管理软件包和其依赖关系。Conda可以帮助用户轻松地创建、导出、分享和安装软件包，同时还可以创建和管理多个独立的环境，以便在同一系统上同时安装不同版本的软件包。Conda最初是为Python编程语言设计的，但现在也支持其他语言和工具。Conda是Anaconda软件发行版的一部分，但也可以作为独立工具使用。
Conda官网
conda.org | conda.org
http://www.conda.org
当使用conda命令行时，可以执行各种操作，例如创建、管理和删除虚拟环境，安装、更新和删除软件包，以及查看环境和软件包的信息等。
以下是一些常用的conda命令行操作：
1. 创建一个新的虚拟环境：`conda create --name myenv`
2. 激活一个虚拟环境：`conda activate myenv`
3. 安装一个软件包：`conda install package_name`
4. 更新一个软件包：`conda update package_name`
5. 删除一个软件包：`conda remove package_name`
6. 查看已安装的软件包：`conda list`
7. 导出当前环境的软件包列表：`conda list --export > requirements.txt`
8. 从环境文件创建新的虚拟环境：`conda create --name newenv --file requirements.txt`
...
conda官方文档
有关更多详细的conda命令行操作和用法，请查看官方文档：https://docs.conda.io/projects/conda/en/latest/commands.html
在Anaconda中有自己的prompt终端；按照你所需要可以使用pip轮组命令进行安装各种类库与包；
进入自己的super环境
例如可以使用pip命令安装；
pip命令安装numpy
如果有些类库与包下载失败，就可应使用清华园镜像进行下载；
pip install #####(name) -i http://pypi.tuna.tsinghua.edu.cn/simple
如果对于pip命令不了解，可以在Anaconda prompt键入pip help进行了解；
pip help
安装方法基本相同，本次底层环境搭建含有的包包括但不限于：
matplotlib 3.8.1
networkx 3.0
numpy 1.24.1
opencv-python 4.8.1.78
pandas 2.1.2
pip 23.1.2
scikit-image 0.22.0 scikit-learn 1.3.2 scipy 1.11.3
tensorflow 2.13.0
torch 2.0.1（+cu118） torchaudio 2.0.2（+cu118） torchvision 0.15.2（+cu118）
tqdm 4.65.0
