【一文到底】深度学习环境配置+ PatchTST复现【Anaconda+PyTorch(GPU版)+CUDA+cuDNN】

摘要：

环境配置：Anaconda+PyTorch(GPU版)+CUDA+cuDNN

复现时序模型：PatchTST

Note：如果你想使用 GPU 版的 PyTorch，只需要做到以下几点：

• 电脑必须配有 NVIDIA 独立显卡，并正确安装对应版本的显卡驱动；
• 建议安装 Anaconda 或轻量版的 Miniconda，便于创建隔离的 Python 环境、方便依赖管理；
• 使用 pip 或 conda 安装带有 cuXXX 后缀的 PyTorch 版本（例如 cu118 表示支持 CUDA 11.8）；
• 无需手动安装 CUDA Toolkit 或 cuDNN！

总结一句话：
只有开发者才需要手动安装 CUDA Toolkit / cuDNN，尤其是需要开发底层 CUDA 代码、编译框架源码、使用 TensorRT 等的情况。对于普通用户，只要安装好 GPU 版 PyTorch，什么都不用配，就能直接用显卡训练模型。

---

1.环境配置

1.1 Anaconda下载及安装

Anaconda官网：https://www.anaconda.com
清华大学开源镜像下载: 清华大学开源镜像

这里下载的Anaconda，下载对应版本后，双击exe文件安装。

Note：没图片的部分，直接点击 Next 继续安装。

接着点击安装即可，安装完成已经默认添加环境变量。

测试是否安装成功

在Anaconda prompt中修改镜像源，切换到国内的源来提高下载速度：

conda config --remove-key channels  # 清除已有源（可选）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
conda config --set show_channel_urls yes

#查看已安装的源
conda config --show channels

此处可能会出现 Anaconda 闪退问题（如未遇到可跳过此节）

解决方法：

（1）使用管理员权限打开Anaconda Prompt

（2）升级navigator，执行conda update anaconda-navigator

（3）重置navigator，执行anaconda-navigator --reset

（4）升级客户端，执行conda update anaconda-client

（5）升级安装依赖包，执行conda update -f anaconda-client

---

1.2 NVIDIA显卡驱动下载及安装

查看自己是否有独立显卡

方法 1：设备管理器查看

• 右键点击开始菜单 → 设备管理器
• 展开「显示适配器」
  • 如果你看到两个显卡（例如 “Intel UHD Graphics” 和 “NVIDIA GeForce GTX 1650”） 就说明你有 集显 + 独显
  • 如果只看到 Intel 开头的一个，那就是只有集成显卡

方法 2：cmd命令行查看 GPU 列表

wmic path win32_VideoController get name

安装NVIDIA显卡驱动，直接进NVIDIA官网（ NVIDIA官网）
点击立即下载，下载的GeForce驱动程序是一个自动识别电脑显卡的NVIDIA驱动，安装好之后注册一个账号并登录，然后在更新显卡驱动，先点驱动程序，然后检查更新，就可以自动更新显卡驱动了。

Note（以下为科普，可以跳过）:

显卡类型	品牌	是否支持 CUDA	是否能装 NVIDIA 驱动
Intel UHD / Iris	Intel（集成）	不支持	不需要装 NVIDIA 驱动
AMD Radeon	AMD（独立）	不支持 CUDA	不能用 NVIDIA 驱动
NVIDIA GTX / RTX 系列	NVIDIA（独立）	支持 CUDA	需要安装 NVIDIA 驱动

---

1.3 CUDA下载及安装

Note：以下提供 CUDA 和 cuDNN 的安装流程仅供参考，一般用户可跳过此步骤，直接安装 GPU 版本的 PyTorch 即可完成环境配置。

更新完显卡驱动以后进Anaconda prompt的指令界面，输入nvidia-smi，可以看见自己显卡的相关信息

图中看出CUDA版本是12.7及以下版本(此处版本向下兼容，我们显卡及驱动最高支持 CUDA12.7 ，但我们还是采用12.7以下版本，但也别太低)、

**CUDA toolkit Download：**https://developer.nvidia.com/cuda-toolkit-archive

下载好后，双击“exe文件”，选择下载路径（推荐默认路径）

记住安装位置

继续点击下一步安装即可

验证是否安装成功

打开cmd，输入：

nvcc --version  #查看版本号
set cuda #查看 CUDA 设置的环境变量

如果出现nvcc 不是内部命令，则可能试试没装 Toolkit 或环境变量没配，需要手动添加 CUDA 安装路径到系统 PATH

---

1.4cuDNN下载及安装

查看适配的 cuDNN：cuDNN Archive | NVIDIA Developer，选择对应的版本下载解压

Note：下载的cudnn要和自己的cuda版本匹配

CUDA 的安装路径在前面截图中有，或者打开电脑的环境变量查看，默认的安装路径如下：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0

然后复制粘贴

Note：这里直接将cudnn的文件复制到安装cuda中，替换掉原来的文件。cuDNN（CUDA Deep Neural Network library） 是 NVIDIA 提供的一个专门用于 加速深度学习神经网络计算 的 GPU 库。

添加环境变量

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp

---

1.5 PyTorch(GPU版)下载及安装

先在conda中创建虚拟环境

Note:总结一下就是 虚拟环境 = 独立空间 + 独立 Python + 独立依赖，让你不用担心包冲突，轻松完成多个项目，

conda命令集合：conda配置虚拟环境常用命令

# 查看现有环境列表
conda env list

# env_name为虚拟环境名称
conda create --name env_name

#指定python版本（推荐）
conda create --name env_name python=3.9  

#激活env_name虚拟环境
conda activate env_name

#查看已经安装的包
conda list

打开cmd,输入conda create --name PatchTST python=3.9 回车后输入y，这里PatchTST是你创建的虚拟环境名称

看到下面内容，说明创建虚拟环境成功

接下来配置pytorch，两种下载方式

第一种pytorch官网下载： https://pytorch.org/
第二种二进制文件下载：https://download.pytorch.org/whl/torch_stable.html

Note：两种方式都可以，第二种是PyTorch 编译好的 二进制文件 (.whl)，需要手动挑选，适合离线安装、精细的版本控制，比较推荐；第一种同样是二进制包（实际也是下载 .whl 或 Conda 包），界面友好，简单，如果网速慢，可以使用pip+清华镜像 或 Conda+清华镜像

第一种方式pytorch官网下载

选择自己电脑的对应配置，然后在 Anaconda Prompt中进入配置的虚拟环境，运行 run this Command 即可

# pip安装命令
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
或
#conda安装命令
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch


#验证是否安装成功，进入虚拟环境，输入python
import torch
print(torch.__version__) #查看pytorch版本
print(torch.cuda.is_available()) #查看cuda是否可用 输出为True 或者False

第二种方式二进制文件本地安装

https://download.pytorch.org/whl/torch_stable.html

# 文件
torch-2.0.1+cu118-cp39-cp39-win_amd64.whl

# 文件名解释
torch # PyTorch 库名
2.0.1 # PyTorch 版本号
cu118 # CUDA 11.8（用于 GPU 加速）
cp39-cp39   # 表示这是为 Python 3.9（CPython） 编译的版本
win_amd64  # 平台：Windows 64 位（x86_64 架构）
.whl  # wheel 格式：Python 的二进制安装包

下载好后安装torch

Note：这里按照自己需求下载torchvision 和torchaudio包，下载方式相同

#进入虚拟环境，直接使用pip命令安装
#安装时虚拟环境的python版本要和cp39相同，不然会报错
pip install F:\Downloads\packages\torch-2.0.1+cu118-cp39-cp39-win_amd64.whl

包名	作用范围	常用功能举例
torch	核心包	提供张量计算、自动求导、模型训练、GPU 支持等
torchvision	图像处理扩展包	图像模型（如ResNet）、图像预处理、图像数据集
torchaudio	音频处理扩展包	音频读取、特征提取（如梅尔频谱图）、音频模型

验证安装是否成功

到这里环境配置就完成了。

---

2.文献模型复现(PatchTST)

文献标题： A Time Series is Worth 64 Words: Long-term Forecasting with Transformers

会议发表：ICLR 2023（International Conference on Learning Representations）

文献链接： OpenReview 页面

代码实现（GitHub）： https://github.com/yuqinie98/PatchTST

Note：PatchTST是NLP/时序方向，本项目基于 PatchTST 官方实现 进行复现，原始版权归作者所有，仅用于学术交流与学习。

2.1 PatchTST部署

接下来先下载PatchTST代码，如果文献作者公开模型，会在摘要或者结尾部分给出code地址，或者直接在github搜索文献或者简称。

下载好代码解压，然后在pycharm中打开文件夹

PatchTST_self_supervised和PatchTST_supervised存放的文献中的自监督模型代码和监督模型代码，pic主要是模型图和实验结果数据，README.md是介绍这个模型、取得成就、部署方式、相关信息等等（基本所有公开模型都有这个文件，所以下载代码后可以先看这个文件）。

Note：这里介绍监督学习代码的部署以及讲解，自监督学习留给大家学习。

我们看文档中监督学习的启动部分

2.1.1 安装依赖包

文档中给出的安装命令为：

pip install -r requirements.txt

requirements.txt 是项目所需的 Python 包列表，但我们需要根据是否使用 GPU 进行调整：

因为我们已经安装了 GPU 版本的 PyTorch：

1. 打开 requirements.txt，删除或注释掉以下这一行：

   torch==1.11.0
   

   删除原因是我们已经安装了 GPU 版本的 torch，如果不删除，执行安装命令时会将原来安装的 torch 降级，并且默认安装的 torch==1.11.0 是 CPU 版本，会导致 GPU 加速失效。

2. 然后使用以下命令安装其余依赖包：

   conda install --yes --file requirements.txt
   

   conda 会自动解决包之间的依赖冲突，并不会影响你已有的 GPU 版本 torch。

---

如果你的电脑显卡是集成显卡或不使用 GPU：

直接运行以下命令安装所有依赖包即可：

pip install -r requirements.txt

此时默认安装的就是 CPU 版本的 torch，适用于 CPU 运行模型。

如果你还没有安装 torch，并且需要使用 GPU，请看上面的PyTorch下载及安装

2.1.2 下载数据集

数据集下载：Autoformer

数据集：

Dataset	Features	Interval	Samples Numbers	Time
ETTh1 and ETTh2	7	1 h	17,420	July 2016 to July 2018
ETTm1 and ETTm2	7	5 min	69,680	July 2016 to July 2018
Electricity	321	1 h	26,304	2012 to 2014
Exchange_rate	8	1 day	7,588	January 1990 to October 2010
Traffic	862	1 h	17,544	2015-2016
Illness	7	1 week	966	2002 to 2021

2.1.3 启动模型

在 Linux 环境下，用户通常可以直接通过运行如下命令执行 Shell 脚本文件（.sh）：

sh ./scripts/PatchTST/weather.sh

这种 .sh文件是 Linux 系统中常见的 Shell 脚本文件，用于自动化执行一系列命令。然而，在 Windows 系统中是无法直接运行该类脚本的。为了在 Windows 下执行 .sh 文件，我们可以借助 Git for Windows 提供的 Bash 终端来实现。

第一步 安装 Git for Windows

1. 访问 Git 官网 https://git-scm.com/，下载安装包并按照默认设置完成安装；
2. 安装完成后，系统中会集成 Git Bash，它是一个模拟 Linux Shell 的终端工具，支持运行 .sh 脚本；
3. 安装路径中通常会包含一个可执行文件 sh.exe，后续可在 PyCharm 中配置使用。

第二步 在 PyCharm 中配置 Git Bash 运行 .sh 文件

我们需要在 PyCharm 中运行 .sh脚本，进行如下配置：

1. 打开 PyCharm，进入 Settings（设置） > Tools > Terminal；
2. 在 Shell path 中将默认的 cmd 替换为 Git Bash 的路径，例如：E:\git\Git\bin\sh.exe

3. 保存设置后，就可以在 PyCharm 的终端中直接运行 sh ./scripts/PatchTST/weather.sh 命令，方式与 Linux 下基本一致。

   

2.2 目录文件说明

文件/目录名	功能说明
checkpoints/	用于保存模型训练过程中的权重文件（如 best_model.pth）
data_provider/	包含数据读取、划分、标准化等数据预处理逻辑
dataset/	存放原始数据或数据格式处理类
exp/	实验配置类（如参数设定、训练器入口）
Formers/	实现如 PatchTST 模型的核心 Transformer 模块
layers/	模型的构建模块（如 MLP、LayerNorm、Embedding 等）
logs/	存储训练过程的控制台输出、时间日志等
models/	包含各种模型结构的定义（例如 PatchTST、Informer、Transformer等）
results/	保存验证集/测试集上的预测输出和评估结果
scripts/	存储用于批量执行训练或测试的脚本（如 .sh 文件）
test_results/	用于记录模型在测试集上的输出数据（如预测结果、可视化图等）
utils/	工具函数，包括早停机制、学习率调度器、时间处理等
requirements.txt	列出项目依赖的 Python 库（建议使用 pip install -r requirements.txt）
result.txt	用于保存每次实验运行后的输出摘要信息
run_longExp.py	运行多个配置实验的入口脚本（命令行参数自动加载配置）

每天进步一点点，日积月累，终将成就非凡！加油！
Note：求个三连！！！