在pycharm安装基于Anaconda的python解释器，并配置可调用cuda的pytroch环境。该篇写于2021年9月。今更新到博客中。
pycharm安装教程
下载pycharm
PyCharm是一款非常好用的Python IDE，由JetBrains开发而成。
官方下载：pytroch官网地址。
PyCharm针对每个平台都有Professional和Community两个版本，自己可根据自己的需要进行选择。
Professional：专业版（建议选择专业版），功能强大，属于收费版。
Community：社区版，只支持Python开发，开源、免费，用作学习也够用
安装pycharm
注意两点：
- 安装的地址可以自己修改：不建议安装在C盘
- Installation Options该项中将所有的都勾选上。
其余按照默认选项点击下一步即可。
pycharm配置
1)打开pycharm的桌面快捷方式;
2)勾选同意条款，点击continue;
3)Data sharing一项点击Don’t Send;
4)从什么地方导入pycharm设置，建议直接第三个(Do not import settings)。
上述四个步骤部分版本可能没有，跳过即可。
新建项目
- File->new project;
- 创建项目：项目保存路径及项目使用的环境。
可以看到，我们在使用pycharm创建项目时，环境是最重要的一环。因为我们在后续使用时，会调用各种库，比如在进行机器学习时使用的sklearn,深度学习的pytorch框架，
以及其他常用的库，比如matplotlib、openCV等。因此，我们这里推荐使用Anaconda作为我们安装环境的工具。
Anaconda安装
下载Anaconda;
官方下载：Anaconda官网地址
安装时，只要注意下载对应版本即可。比如我是windows11(64位)
如果下载过卡，建议使用清华源安装：
清华源下载：Anaconda清华源地址
安装Anaconda;
可以参考：OSurer的博客
配置环境
可以选择两种方式安装环境，一种是在Anaconda内部安装（这种方式可能比较卡）;第二种是在终端中进行安装。
进入终端后的一般操作：activate +配置的环境名；pip install 安装库(清华源安装:pip install -i https://pypi.tuna.tsinghua.edu.cn/simple)
CUDA安装
在进行深度学习任务中，GPU的运算速度往往是要远远大于CPU的。而pytorch是可以支持GPU计算的。因此我们可以配置一个可以调用GPU的pytroch。
显卡版本查询
查看自己电脑的显卡配置信息：win+R打开，输入cmd打开命令行。输入nvidia-smi查看显卡支持信息。
比如上图中我的显卡版本是11.6(版本过低的可以自己更新一下版本)
CUDA下载
在查看完电脑的显卡信息后,需要对显卡驱动版本和CUDA版本对应的CUDA Toolkit工具包进行确认。在如下官网中找到对应于自己显卡版本的CUDA。
官方下载：CUDA官网地址
注意版本对应！！！
CUDA安装
这里要修改一下环境变量，参考三鲜豆皮的博客
Pytorch安装
进入pytorch官网。
官方下载：pytorch官网地址
一定要注意pytorch的版本和CUDA的版本一致。
Run this Command后面这段代码进行下载。
注意：下载速度慢或者下载老是终端的情况可以考虑使用镜像源下载，常用的镜像源是清华源安装。在粘贴Run this Command后面的代码之前添加图下几行语句：
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 –set show_channel_urls yes
conda config –add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
中间需要输入[y]/n的输入y即可。
检验pytorch是否安装好
在命令行输入以下代码即可：Python->import torch->torch.version
注意：如果显卡是英伟达的，还需要进一步验证电脑的GPU能否被pytorch使用。具体操作是，在导入torch工具包后，输入以下指令：torch.cuda.is_available(),
如果返回true，则证明没有问题；如果返回False则表面不能使用GPU加速。可能原因是显卡驱动版本过低，可以考虑升级。
上述操作后就可以使用GPU加速的pytorch进行训练了。