学习PaddlePaddle--环境配置-Windows 11 + RTX 4060

终极详细指南：Windows 11 + RTX 4060 配置 PaddlePaddle 分割训练环境​​
​​第一阶段：安装 NVIDIA 显卡驱动​​
​​目标：​​ 确保您的 RTX 4060 显卡拥有最新、最稳定序，这是所有GPU计算的基础。

​​详细步骤：​​

​​打开浏览器​​： 双击桌面上的 Chrome、Edge 或其他浏览器图标。

​​访问下载页面​​： 在地址栏中输入以下网址并回车：

https://www.nvidia.com/Download/index.aspx

​​选择产品参数​​：

•
​​产品类型​​： 从下拉菜单中选择 GeForce。

•
​​产品系列​​： 选择 GeForce RTX 40 Series。

•
​​产品家族​​： 选择 GeForce RTX 4060。

•
​​操作系统​​： 确保选择的是 Windows 11。

•
​​语言​​： 选择 简体中文。

•
​​点击蓝色的「搜索」按钮​​。

​​下载驱动​​：

•
页面会跳转到最新版驱动的详细信息页。

•
点击绿色的 下载按钮。

•
在弹出的窗口中，再次点击 下载开始下载安装程序。文件名为类似 536.99-desktop-win10-win11-64bit-international-dch-whql.exe。

​​安装驱动​​：

•
找到下载好的文件（通常在 Downloads文件夹中），双击运行它。

•
屏幕可能会闪烁一下变黑，这是正常现象。

•
会出现 NVIDIA 安装程序窗口。

•
​​安装选项​​： 强烈建议选择 NVIDIA GPU 驱动程序下的 精简 (推荐)。其他组件如 GeForce Experience可按需选择，但非必需。

•
点击 下一步，安装程序将开始提取和安装文件。

•
安装过程中屏幕可能会闪烁数次。

•
安装完成后，点击 关闭。​​根据提示，强烈建议您「重新启动」电脑​​。

​​验证安装​​：

•
电脑重启后，按键盘上的 Win + R键（Win键是键盘上的Windows徽标键）。

•
在弹出的“运行”窗口中，输入 cmd，然后按回车。这会打开一个黑色的命令提示符窗口。

•
在命令提示符中，输入命令：nvidia-smi

•
按回车后，您应该会看到一个表格，显示了您的显卡信息（​​NVIDIA GeForce RTX 4060​​）、驱动程序版本（如 ​​536.99​​）和支持的 CUDA 版本（如 ​​12.2​​）。​​这个界面是GPU工作的“仪表盘”，看到它就说明驱动安装成功。​​

​​第二阶段：安装 CUDA 和 cuDNN​​
​​目标：​​ 为 PaddlePaddle 提供操作 GPU 进行深度学习的底层计算工具。

​​重要概念：​​

•
​​CUDA​​： 是 NVIDIA 推出的通用并行计算架构，允许软件开发者直接利用 GPU 进行计算。

•
​​cuDNN​​： 是 NVIDIA 推出的用于深度神经网络的 GPU 加速库，针对常见深度学习操作（如卷积、池化）进行了高度优化。

​​详细步骤：​​

​​A. 安装 CUDA Toolkit 11.8​​
1.
​​访问下载页面​​： 在浏览器中打开：

https://developer.nvidia.com/cuda-toolkit-archive

​​选择版本​​： 在列表中找到并点击 CUDA Toolkit 11.8.0。

​​选择安装参数​​：

•
​​操作系统​​： Windows

•
​​架构​​： x86_64

•
​​版本​​： 10(这里选10，它也完全兼容Windows 11)

•
​​安装程序类型​​： exe (local)

​​下载​​： 点击底部的 Download按钮开始下载。文件较大（约2.6GB），名为 cuda_11.8.0_522.06_windows.exe。

​​安装 CUDA​​：

•
双击运行下载的安装程序。

•
会出现一个临时解压路径，直接点 OK。

•
进入安装程序主界面后，选择 自定义安装方式（​​重要！不要选精简​​）。

•
在组件选择页面：

•
在主程序 CUDA节点下，​​取消勾选 Visual Studio Integration​​ (除非你确定需要它)。

•
在 Driver components节点下，​​查看并确保勾选了 Display Driver​​。如果后面的版本号比你当前安装的驱动版本​​旧​​，​​务必取消勾选它！​​ 我们已经安装了更新的驱动，不需要再被覆盖。如果版本号更新，可以保留。

•
其他组件保持默认勾选即可。

•
点击 下一步，选择安装位置（​​强烈建议使用默认路径​​：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8），然后开始安装。

•
安装完成后，点击 关闭。

​​验证 CUDA 安装​​：

•
重新打开 cmd命令提示符。

•
输入命令：nvcc -V

•
如果安装成功，你会看到 nvcc: NVIDIA ® Cuda compiler driver以及版本信息，这证明 CUDA 编译器已正确安装并加入系统路径。

​​B. 安装 cuDNN​​
1.
​​访问下载页面​​： 在浏览器中打开：

https://developer.nvidia.com/cudnn

​​登录/注册​​： 你需要一个免费的 NVIDIA 开发者账号才能下载。请注册或登录。

​​选择版本​​： 点击 Download cuDNN，在列表中找到与 ​​CUDA 11.x​​ 兼容的版本。例如 Download cuDNN v8.9.5 (November 7th, 2023), for CUDA 11.x。

​​下载​​： 点击 Local Installer for Windows (Zip)下的链接进行下载。文件名为 cudnn-windows-x86_64-8.9.5.29_cuda11-archive.zip。

​​安装 cuDNN (实为复制文件)​​：

•
将下载的 Zip 压缩包解压。你可以在它上面点右键，选择 解压到当前文件夹。你会得到一个名为 cudnn-windows-x86_64-8.9.5.29_cuda11-archive的文件夹。

•
打开这个文件夹，你会看到三个子文件夹：bin, include, lib。

•
现在打开另一个文件资源管理器窗口，导航到你的 CUDA 安装目录：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。

•
​​将 cuDNN 文件夹中的内容复制到 CUDA 目录中：​​

•
将 cudnn-windows…-archive\bin文件夹中的 ​​所有文件​​，复制到 CUDA\v11.8\bin文件夹中。

•
将 cudnn-windows…-archive\include文件夹中的 ​​所有文件​​，复制到 CUDA\v11.8\include文件夹中。

•
将 cudnn-windows…-archive\lib文件夹中的 ​​所有文件​​，复制到 CUDA\v11.8\lib\x64文件夹中。

•
如果遇到“需要管理员权限”的提示，点击“继续”。

​​第三阶段：使用 Conda 管理 Python 环境​​
​​目标：​​ 创建一个干净、独立的 Python 环境，专门用于 PaddlePaddle，避免与系统中其他 Python 项目发生包版本冲突。

​​详细步骤：​​

​​下载 Miniconda​​：

•
打开浏览器，访问：

https://docs.conda.io/en/latest/miniconda.html

•
下载 ​​Miniconda3 Windows 64-bit​​ 安装程序（推荐 Python 3.8 或 3.9 版本）。

​​安装 Miniconda​​：

•
双击运行下载的 Miniconda3-py38_23.5.2-0-Windows-x86_64.exe文件。

•
​​安装选项​​：

•
Install for:选择 Just Me。

•
Destination Folder: 使用默认路径（如 C:\Users\你的用户名\Miniconda3）。

•
​​Advanced Options​​: ​​务必勾选 Add Miniconda3 to my PATH environment variable​​ 和 Register Miniconda3 as my default Python 3.8。虽然不推荐通常这样做，但对于我们的单一用途来说，这会简化操作。

•
点击 Install，完成后点击 Next和 Finish。

​​打开 Conda 终端​​：

•
点击 Windows 开始菜单，输入 Anaconda，你应该能看到一个 ​​Anaconda Prompt (miniconda3)​​ 的快捷方式。​​请始终使用这个来执行后续所有命令​​，不要用普通的 cmd或 PowerShell。

​​创建专用环境​​：

•
在打开的 Anaconda Prompt 中，输入以下命令来创建一个名为 ppseg的新环境，并指定 Python 版本为 3.8：

conda create -n ppseg python=3.8
•
命令行会提示你确认安装计划，输入 y并按回车。

•
环境创建完成后，​​激活​​这个环境。你会注意到命令行的前缀从 (base)变成了 (ppseg)，这表示你已进入该环境。

conda activate ppseg
​​第四阶段：安装 PaddlePaddle 及所有依赖​​
​​目标：​​ 在准备好的环境中安装所有必需的软件库。

​​详细步骤：​​

​​安装 PaddlePaddle-GPU​​ (在已激活的 (ppseg)环境中执行)：

•
这是最核心的一步。使用以下命令安装与 CUDA 11.8 匹配的 PaddlePaddle 版本。​​请直接复制粘贴整个命令​​：

python -m pip install paddlepaddle-gpu==2.5.1.post117 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html
•
这个命令会从 PaddlePaddle 的官方仓库下载预编译的 wheel 包。等待安装完成，这个过程会下载约 800MB 的文件。

​​安装必备的辅助库​​：

•
在同一个 (ppseg)环境中，依次运行以下命令来安装数据处理和可视化库：

pip install opencv-python # 图像处理库
pip install matplotlib # 绘图和可视化库
pip install scikit-learn # 机器学习工具，用于计算评估指标
pip install tqdm # 显示进度条，让训练过程更直观
pip install pandas # 数据处理和分析（可选但常用）
3.
​​安装 PaddleSeg​​：

•
这是 PaddlePaddle 官方为图像分割任务开发的高层 API 工具包，极大简化了训练流程。

pip install paddleseg
​​第五阶段：最终验证与测试​​
​​目标：​​ 确认所有组件都已正确安装且能协同工作，特别是 PaddlePaddle 能成功调用 GPU。

​​详细步骤：​​

​​编写验证脚本​​：

•
在 Anaconda Prompt (ppseg环境已激活) 中，直接输入 python并按回车，进入 Python 交互式界面（提示符变为 >>>）。

​​逐行执行测试代码​​：

•
请将以下代码​​一行一行地​​复制粘贴到 >>>提示符后，并按回车执行。观察每一行的输出。

导入核心库

import paddle
import paddleseg
import cv2
import matplotlib

打印版本信息

print(“=== 版本信息 ===”)
print(“PaddlePaddle 版本:”, paddle.version)
print(“PaddleSeg 版本:”, paddleseg.version)
print(“OpenCV 版本:”, cv2.version)

print(“\n=== GPU 关键验证 ===”)

检查Paddle是否支持CUDA编译

is_cuda_available = paddle.device.is_compiled_with_cuda()
print(“PaddlePaddle 是否由CUDA编译 (必须为 True):”, is_cuda_available)

检查当前是否有可用的GPU

is_gpu_available = paddle.device.is_compiled_with_cuda() and paddle.device.cuda.device_count() > 0
print(“是否有可用的GPU (必须为 True):”, is_gpu_available)

获取当前使用的设备

current_device = paddle.device.get_device()
print(“当前激活的设备:”, current_device)

print(“\n=== 实战测试 ===”)

尝试在GPU上创建一个随机张量并进行一个简单计算

if is_gpu_available:
# 设置设备为GPU
paddle.device.set_device(‘gpu:0’)
# 创建两个随机张量
x = paddle.rand([3, 5])
y = paddle.rand([3, 5])
# 在GPU上进行矩阵相加
z = x + y
# 查看结果张量所在的设备
print(“计算完成！结果张量位于:”, z.place)
print(“张量形状:”, z.shape)
print(“前几个元素值:”, z.numpy()[:, :2]) # 转换为numpy查看部分值
else:
print(“警告：未检测到GPU，将在CPU上运行。请检查安装。”)
3.
​​分析预期结果​​：

•
如果一切顺利，你将看到类似以下的输出。​​最关键的是两个 True和 gpu:0​​：

=== 版本信息 ===
PaddlePaddle 版本: 2.5.1
PaddleSeg 版本: 2.8.0
OpenCV 版本: 4.8.1

=== GPU 关键验证 ===
PaddlePaddle 是否由CUDA编译 (必须为 True): True
是否有可用的GPU (必须为 True): True
当前激活的设备: gpu:0

=== 实战测试 ===
计算完成！结果张量位于: Place(gpu:0)
张量形状: [3, 5]
前几个元素值: [[0.763 1.234]
[0.456 0.789]
[1.002 1.576]]
​​恭喜您！​​

如果您得到了上述类似的成功输出，意味着您的 ​​Windows 11 + RTX 4060​​ 深度学习环境已经​​完美配置成功​​！您现在可以开始使用 PaddlePaddle 和 PaddleSeg 来训练和部署您的图像分割模型了。

下一步，建议访问 PaddleSeg 官方 GitHub (https://github.com/PaddlePaddle/PaddleSeg) 查阅文档和教程，开始您的第一个分割项目。