虽然现在跑深度学习都在服务器上，但在本地配置一个pytorch环境看源码和debug也是非常方便的，先在自己的电脑上把代码调通，再用服务器去跑。

而且我将本地磁盘映射到实验室的服务器，然后直接用pycharm打开服务器文件夹，直接修改调用服务器上的文件，同时用本地的pytorch环境调试代码，调试好之后再通过Xshell或者VSCode在服务器上运行程序，简直不要太方便 ~

下面是我在自己的笔记本上（没有独显）配置pytorch环境的步骤，以python3.8, pytorch1.9.0为例

打开Anaconda Prompt(anaconda3)，命令行输入以下四步指令

1.创建虚拟环境

env_name 是给环境取的名字，我这里直接叫pytorch

conda create -n env_name python=3.8

2.激活虚拟环境

conda activate env_name

3.安装pytorch环境

cpu版本(个人觉得cpu版本在大多数时候都是够用的，当然服务器上的pytorch肯定是cuda版本)

pip install torch==1.9.0+cpu torchvision==0.10.0+cpu torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html

安装完成后，打印检查

import torch
import torchvision
print(torch.__version__)  # 1.9.0+cpu
print(torchvision.__version__)  # 0.10.0+cpu

4.安装nb_conda

使用jupyter notebook可以切换内核，否则只能使用默认的python环境。

conda install nb_conda

网络好的话，五分钟就能配置好，然后就可以用pycharm和jupyter notebook切换虚拟环境了

pycharm切换虚拟环境

在pytorch环境下使用jupyter notebook

1.输入conda activate env_name激活环境。

2.输入jupyter notebook, 等待几秒，浏览器自动跳转到用户文件夹下。

对于只适用cuda环境的项目，自己的电脑可能就调不通了，可以参考我的上一篇博客，直接在服务器上Debug