首先，下载CUDA和cuDNN、Anaconda、和编程环境Pycharm。

具体下载的版本需要根据电脑配置来决定，详细配置方法参照：

Python深度学习环境配置（Pytorch、CUDA、cuDNN），包括Anaconda搭配Pycharm的环境搭建以及基础使用教程（保姆级教程，适合小白、深度学习零基础入门）_python torch cuda-CSDN博客

好，基础软件下载配置好以后就可以进行深度学习环境的搭建了：

第一步：依据github上面给出的环境配置要求，通常以requirements命名的文件/README.md中Requirements部分进行的给出，例如：

①在README.md中Requirements部分进行的给出：

②在requirements命名的文件中给出：

对于情况②，我们在下述第二步中，使用下属指令即可进行一键安装里面所有的包：

conda env create -f environment.yml

第二步：这一步先打开Anaconda Promp

然后我们在上述命令框中进行深度学习所需的Conda虚拟环境搭建以及跑通模型所需要的所有安装包的下载：

①切换路径到我们所下载的深度学习程序所在的文件夹处，一般对应项目名称进行配置和创建对应的环境，环境名字则以项目名字命名：

D:

cd D:\CycleGAN\pytorch-CycleGAN-and-pix2pix-master

conda env create -f environment.yml

有requirement文件的执行上面的第三条指令，没有的就按下面这条指令创建:

conda create -n your_env_name(新建的虚拟环境的名字) python=n（指定python版本）

如果没有指定python的版本，则会默认下载最新版本的python。

错了的话可以使用如下指令删除虚拟环境（同时删除环境里的所有配置）

conda remove -n your_env_name(需要删除的虚拟环境的名字) --all

然后激活环境：

conda activate your_env_name（需要进入的环境的名称）

激活成功的标志就是执行路径变为<你所创建的虚拟环境的名称>

可以查看当前环境下的所有包

conda list

退出环境

conda deactivate 

安装开源的包，进行环境配置：

请注意，在安装这些包之前，一定要确定自己当前所在的环境是否是正确的环境，不要将包安装错了环境，再次强调，base环境不可以安装包

conda install package(包的名字)

例如：

conda install numpy

这里也可以使用pip，将上面的conda改成pip即可。

删除包

conda uninstall package(包的名字)

更新包

conda/pip update package（包的名字）

有些包运行出问题的话就卸载重新下载或者更新，这里以visdom为例：

pip install --upgrade visdom

python -m visdom.server

可视化visdom的打开指令如上，网址为http://localhost:8097/

5.1.2有关下载源的一些指令和说明
源是Anaconda的下载通道，默认的源是国外网站，可能有时候下载速度会很慢，因此需要配置国内的镜像源，从而加快下载速度。

显示当前已有的源

conda config --show channels

重置镜像源

conda config --remove-key channels

执行的命令，配置国内镜像源（下述命令依次输入即可，一些常用的源，供大家选择）

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

特别注意，一定要进行自定义Anaconda新建的虚拟环境位置（移到C盘以外）
本节内容总结自以下文章：
链接：w11下载anaconda在d盘，新建的虚拟环境总是在c盘怎么解决_如何保证anaconda的全在e盘-CSDN博客

有同学可能会发现，在安装Anaconda的时候，安装路径设置在C盘以外的其他位置，但是每次使用Anaconda创建虚拟环境的时候，位置总是会出现在C盘，随着我们做的项目越来越多，环境和包也越来越多，C盘的空间堪忧，因此将虚拟环境的目录移到C盘以外十分重要。

下面介绍配置方法：

（1）打开文件夹，点开c盘，点击用户

（2）点击自己用户名的文件夹：

（3）存在两种情况：

a.存在“.condarc”的文件 ：

1）接着查看文件的内容
2）然后在最底层加上：

envs_dirs:
  - D（放在哪个盘自己决定）://（后面的文件路径同样根据内存自己决定）anaconda3//envs

b.第二种情况就是没有这个“.condarc”的文件，那么就点击"win"+“r”,搜索“cmd”调出终端，然后输入：

conda config --set show_channel_urls yes

回车键后就会在上面说的路径生成".condarc"文件，然后将生成的文件的内容改成上面a步骤所说的就可以了。

然后在安装开源的包，进行环境配置的时候一定注意把自己电脑的GPU型号、pytorch、cuda、python的版本、以及你所跑项目所需的版本号进行兼容匹配！！！

匹配表给出如下：

①根据自己的显卡型号确定显卡算力：查询网站查询显卡算力

②根据算力，匹配合适的CUDA版本

可以初步确定Geforce RTX3060显卡的算力是8.6，适配的CUDA版本有11.1-11.4、11.5-11.7.1、11.8、12.0-12.4

还需要注意，我们的CUDA版本不可以超过显卡可以支持的版本，具体查询方法如下：

1）打开NVIDIA控制面板，进入系统信息

2）进入组件，就可以查到版本号了，这是向下兼容的，我们安装的CUDA版本只要小于这个版本号即可。

综合以上信息，可以确定所有适配的CUDA版本，从中任选一个下载即可。

③根据CUDA的版本选择Pytorch版本

链接： Pytorch官网

链接：Pytorch以往版本

打开Anaconda Prompt，激活需要配置的虚拟环境，然后粘贴运行这段代码即可进行安装

④进行python版本确定，依据：

链接： Pytorch 官方 Github网址

即可根据需要安装的Pytorch版本确定了需要安装的Python版本

【补充】

①CUDA的安装

参照如下文章：
链接：Anaconda Python Pytorch (GPU) 配置

链接：Python深度学习环境配置（Pytorch、CUDA、cuDNN），包括Anaconda搭配Pycharm的环境搭建以及基础使用教程（保姆级教程，适合小白、深度学习零基础入门）_python torch cuda-CSDN博客

②cuDNN的安装

本节内容有部分总结自以下文章：

本节内容有部分总结自以下文章：
链接：Anaconda Python Pytorch (GPU) 配置

接下来下载cuDNN：
链接：cuDNN下载地址

1.进入官网，找到适合自己CUDA版本的cuDNN，点击进入。

2.下载.zip文件（.deb是Ubuntu系统使用的安装包，Windows系统下载zip即可）

3.下载后解压

4.将三个文件夹复制对应文件夹下

至此，cuDNN完成安装。
————————————————
                        
上述补充的安装部分为转载，原文链接：https://blog.csdn.net/sdjklghiof/article/details/137777480

最后一步：把要跑的深度学习项目拖拽到Pycharm进行项目创建，然后在Pycharm环境右下角进行编译器（刚才搭建的虚拟环境的载入）

至此，就可以根据项目readme文件进行深度学习项目的训练了。