使用Miniconda配置机器学习环境
随着研究的进一步推进，即将开展对ML方法应用的工作，首先就需要搭建能work的工作环境。在踩坑后，发现cuda，cudnn和pytorch之间的版本对应关系非常重要。在这里记录一下自己搭建环境的摸索过程，这样以后需要搭建新的环境时就不会手忙脚乱啦！
1. 创建虚拟环境
为了防止出现环境的冲突，我们新建一个虚拟环境。
conda create -n tf python=3.8
conda activate tf
创建一个python版本为3.8的环境命名为tf，并激活此环境。
在这里也记录一下删除环境的指令。
conda remove -n $env_name --all
2. 查看本机的GPU型号和CUDA版本
nvidia-smi
输出为
GPU型号和cuda版本
这里我使用的机器上的GPU是英伟达，CUDA版本为11.6。这个版本目前来说是最新的，但是对应的cudnn版本和pytorch很难找到，所以后面我选择使用11.3的版本重新安装。
3. 安装CUDA和CUDNN
查找对应的CUDA，CUDNN版本，链接：https://www.tensorflow.org/install/source#linux
我选择了CUDA11.3+cudnn8.2+tensorflow-gpu2.7的组合。
- 首先，安装CUDA。
其他攻略里有提到需要先卸载原先的CUDA再安装，但我这里没有管理员权限，所以只能利用conda在我的虚拟环境中安装新的CUDA。
因为也要安装pytorch，现在的版本在安装pytorch时系统会给你选择合适的cuda版本，所以cuda的安装是在pytorch的安装时顺带的。官网链接：https://pytorch.org/
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
- 第二，安装cudnn。
上一步完成时，对应cudnn是没有安装的。如果cudnn没有安装正确，在运行模型时会报错（踩过的坑之一）。
conda install cudnn=8.2
4. 安装Tensorflow
这一步没有太多波澜，直接安装
conda install tensorflow-gpu=2.7
这里，查过的很多攻略用的是pip来安装，但考虑到pip安装最终是全局安装，造成包管理混乱的问题，所以我还是选择了conda来安装。
5. Quick check
import tensorflow as tf
tf.test.is_gpu_available()
import torch
torch.cuda.is_available()
以上。
