环境配置是最容易遇到很多问题的时候，也是很必要做的事情，希望你们在后续配置的时候不要焦躁，慢慢来。（暗暗庆幸一波，自己遇到了最好的BOSS，让我在乱麻中理清了很多头绪），希望导读就是开始一段枯燥的学习过程的镇静剂。Fighting！
首先安装python
- 第一步先下载anaconda。在浏览器输入anaconda后，打开第一个就是它的官网，根据自己的版本选择download,这里主要说windows(64bit)当你看到第一眼只看到两大版本的时候，选择python 3.7 version下载下来（只用这两个版本，下面你会看到下载的python是3.6版本，为了和它保持一致，接下来就要在dos界面的命令行里操作，把conda的版本进行转换为3.6 具体操作是：打开“windows系统”-“命令行提示符” 输入命令"pip list（这一步其实就是打开了pip因为用pip安装东西真的很方便）"后会跳出一系列东西，等停下来的时候，输入命令“conda install python=3.6”然后就等它下载好为止，反正最后会出现【y/n】之类的吧，输入y就ok了,这样anaconda就转换好了。）
肯定会有人疑问，anaconda到底有什么作用？安装python为什么先要安装anaconda?
（1）python自身缺少numpy、matplotlib、scipy....等一系列包，需要我们安装pip来导入这些包才能进行相应运算。但是每次都额外安装所需要的包就显得麻烦了，这时候我们可以采用anaconda了。 anaconda是一个python发行版，包含了大量的包，使用anaconda无需再去额外安装所需包（很清楚了吧）
（2）至于先安装anaconda是我们实验室的习惯，也是公司环境的一直做法（因为方便、方便包的管理）
- 第二步下载python。同样的方式，在浏览器搜索下载python(一定要进入官网推荐下载3.6版本)
- 然后下载pycharm。点击对应自己的系统进行下载(这里说的windows 64bit)打开官网之后又两个版本，一个是professional(专业版--适合学生，推荐这个，但这个不是免费的，可以先试用，等待boss探究出来一种好的方法，继续更新),一个是community
上边的python想必已经环境已经能配置好了。这个时候就要安装pytorch了，别害怕！
cpu版本的pytorch安装就简单了好多了。再次打开“命令行提示符”，输入“conda install -c peterjc123 pytorch-cpu”（torch指定版本0.3.1）想要探究的更明白，可以看一下这个文档：pytorch在64位windows下的conda包：https://zhuanlan.zhihu.com/p/26871672
这个cpu版的pytorch就安装好了，可以使用一段简单程序进行测试运行一下（一个矩阵的运算），结果运行出来就ok了(这是本博主最喜欢拿来测试的代码了)。
1 import torch 2 3 x1=torch.rand(5,3) 4 print(x1) 5 x2=torch.rand(5,3) 6 print(x2) 7 x3=x1+x2 8 print(x3)
只打算学习一些简单的python基础语法，敲一下简单的代码，上边的这已经足够了，但是对于进入深度学习的童鞋们来说这是不够的，因为平时训练的数据集很大，如果用cpu来跑代码的话，真的是蜗牛般的速度（我曾经用cpu跑了三个小时打代码用gpu仅仅几十分钟的事情）
win10-GPU版的-torch安装
下面的文件有cuda、cudnn的下载链接，还有安装步骤（首先安装cuda，根据文档上写的，安装后验证一下，然后安装包cudnn），文档写的非常清楚，在这就不废话了，一看就能明白的。https://blog.csdn.net/cmat2/article/details/80407059
另外附Pycharm的激活码，用的着的拿去：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-Gbb7jeR8JWOVxdUFaXfJzVU/O7c7xHQyaidCnhYLp7v32zdeXiHUU7vlrrm5y9ZX0lmQk3plCCsW+phrC9gGAPd6WDKhkal10qVNg0larCR2tQ3u8jfv1t2JAvWrMOJfFG9kKsJuw1P4TozZ/E7Qvj1cupf/rldhoOmaXMyABxNN1af1RV3bVhe4FFZe0p7xlIJF/ctZkFK62HYmh8V3AyhUNTzrvK2k+t/tlDJz2LnW7nYttBLHld8LabPlEEjpTHswhzlthzhVqALIgvF0uNbIJ5Uwpb7NqR4U/2ob0Z+FIcRpFUIAHEAw+RLGwkCge5DyZKfx+RoRJ/In4q/UpA==-MIIEPjCCAiagAwIBAgIBBTANBgkqhkiG9w0BAQsFADAYMRYwFAYDVQQDDA1KZXRQcm9maWxlIENBMB4XDTE1MTEwMjA4MjE0OFoXDTE4MTEwMTA4MjE0OFowETEPMA0GA1UEAwwGcHJvZDN5MIIBIjANBgkqhkiG9w0BAQEFAAOCAQ8AMIIBCgKCAQEAxcQkq+zdxlR2mmRYBPzGbUNdMN6OaXiXzxIWtMEkrJMO/5oUfQJbLLuMSMK0QHFmaI37WShyxZcfRCidwXjot4zmNBKnlyHodDij/78TmVqFl8nOeD5+07B8VEaIu7c3E1N+e1doC6wht4I4+IEmtsPAdoaj5WCQVQbrI8KeT8M9VcBIWX7fD0fhexfg3ZRt0xqwMcXGNp3DdJHiO0rCdU+Itv7EmtnSVq9jBG1usMSFvMowR25mju2JcPFp1+I4ZI+FqgR8gyG8oiNDyNEoAbsR3lOpI7grUYSvkB/xVy/VoklPCK2h0f0GJxFjnye8NT1PAywoyl7RmiAVRE/EKwIDAQABo4GZMIGWMAkGA1UdEwQCMAAwHQYDVR0OBBYEFGEpG9oZGcfLMGNBkY7SgHiMGgTcMEgGA1UdIwRBMD+AFKOetkhnQhI2Qb1t4Lm0oFKLl/GzoRykGjAYMRYwFAYDVQQDDA1KZXRQcm9maWxlIENBggkA0myxg7KDeeEwEwYDVR0lBAwwCgYIKwYBBQUHAwEwCwYDVR0PBAQDAgWgMA0GCSqGSIb3DQEBCwUAA4ICAQC9WZuYgQedSuOc5TOUSrRigMw4/+wuC5EtZBfvdl4HT/8vzMW/oUlIP4YCvA0XKyBaCJ2iX+ZCDKoPfiYXiaSiH+HxAPV6J79vvouxKrWg2XV6ShFtPLP+0gPdGq3x9R3+kJbmAm8w+FOdlWqAfJrLvpzMGNeDU14YGXiZ9bVzmIQbwrBA+c/F4tlK/DV07dsNExihqFoibnqDiVNTGombaU2dDup2gwKdL81ua8EIcGNExHe82kjF4zwfadHk3bQVvbfdAwxcDy4xBjs3L4raPLU3yenSzr/OEur1+jfOxnQSmEcMXKXgrAQ9U55gwjcOFKrgOxEdek/Sk1VfOjvS+nuM4eyEruFMfaZHzoQiuw4IqgGc45ohFH0UUyjYcuFxxDSU9lMCv8qdHKm+wnPRb0l9l5vXsCBDuhAGYD6ss+Ga+aDY6f/qXZuUCEUOH3QUNbbCUlviSz6+GiRnt1kA9N2Qachl+2yBfaqUqr8h7Z2gsx5LcIf5kYNsqJ0GavXTVyWh7PYiKX4bs354ZQLUwwa/cG++2+wNWP+HtBhVxMRNTdVhSm38AknZlD+PTAsWGu9GyLmhti2EnVwGybSD2Dxmhxk3IPCkhKAK+pl0eWYGZWG3tJ9mZ7SowcXLWDFAk0lRJnKGFMTggrWjV8GYpw5bq23VmIqqDLgkNzuoog==
