Ubuntu20.04服务器+Anaconda上创建Python3.6虚拟环境

前言

由于服务器已安装Anaconda，包含的Python版本为3.8，为使用3.6版本同时避免和其他人互相影响，我选择创建虚拟环境，并在其中安装所需的Pytorch1.0.1、opencv、numpy(Anaconda已自带)、pillow等。

一、创建Python3.6环境

1 创建环境

使用如下命令，其中name为自定义的虚拟环境名。

conda create -n name python=3.6

输入y，继续创建。

2 激活环境

使用如下命令激活和退出环境。

conda activate name #激活环境
conda deactivate    #退出环境

二、安装Pytorch1.0.1

1 查询服务器CUDA和CUDNN版本

在安装前，我们需要先确定服务器的CUDA和CUDNN版本，从而选择适配的Pytorch。首先使用如下两个命令获取CUDA版本：

nvcc -V     #获取运行API版本
nvidia-smi  #获取驱动API版本

其中运行API版本为一般执行代码时对应版本，选择Pytorch时与该API对应，驱动API可以理解为最高能够使用的版本。

我这里的运行API版本为11.1，因此在选择时需要选择同样或低于11.1版本的Pytorch，具体根据所需Pytorch决定。

下面通过NVIDIA官网（cuDNN Archive | NVIDIA Developer）查询对应CUDNN版本：

例如，CUDA11.5需要CUDNN8.3.0。

2 添加阿里云源通道

为了使下载速度更快，这里先添加阿里云源通道：

conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/free/
conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/main/
conda config --add channels https://mirrors.aliyun.com/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

3 安装Pytorch

安装前记得要先激活自己的虚拟环境。安装命令如下：

conda install pytorch==1.0.1 torchvision==0.2.2 cudatoolkit=10.0 cudnn=7.6.5 -c pytorch

博主这里需要的Pytorch是1.0.1版本，所以在官网(Start Locally | PyTorch)上找了旧版本Pytorch对应的命令(Previous PyTorch Versions | PyTorch)，由于里面没有CUDA11.1所以选择了10.0，再自己添加的cudnn=7.6.5，该对应版本号就是在上文NIVDIA官网上找到的。

安装过程中同样需要输入y确认继续进行。

4 确认安装成功

输入python查看虚拟环境中的Python版本：

导入Pytorch并查看版本：

import torch
print(torch.__version__)

查看GPU是否可用：

print(torch.cuda.is_available())

三、安装opencv、numpy、pillow

1 opencv

在这里我使用的是pip安装，因为使用conda安装出错，或者安装成功后导入时提示没有cv2模块，具体原因不清楚，上网搜索后按照其他方法也未能解决，大家若有经验可评论分享一下。

pip install opencv-python

该命令会安装最新版opencv，需要旧版本可以再上网搜索具体方式。安装后输入python进入Python环境，导入opencv验证是否成功：

import cv2
cv2.__version__

若未提示没有cv2模块则成功。

2 numpy

由于Anaconda自带了numpy，所以我这里没有下载，若有需要大家可以再搜索具体方法。

import numpy

若导入未报错则成功。

3 pillow

同样在创建虚拟环境时，pillow已经被安装，若需要则按照下面命令即可：

pip install pillow
import PIL          #验证安装

若未报错则成功安装。

注：以上安装命令均是在虚拟环境中执行，而验证安装是否成功需要进入Python中测试。

总结

以上是在Ubuntu20.04服务器上已安装Anaconda的情况下，创建Python3.6虚拟环境、安装Pytorch1.0.1并安装opencv、numpy、pillow等的具体步骤，都已实际测试成功。