目录

• 前言
  *
• 1. 环境介绍
• 2. 显卡及算计要求
• cuda配置
  *
• 1. 下载及安装
• 2. 搭建环境及测试
• cudnn配置
  *
• 1. 下载
• 2. 配置环境及测试
• pytorch配置

前言

最近换了一台新电脑，老版本出了很多问题，各种错误，版本不匹配的问题，走了很多弯路，经过几天的试错，这里有详细的环境教程供大家深入学习参考！

1. 环境介绍

windows10系统
显卡是PTX 3030，GPU算力7.5, 版本472.56（建议大家把驱动更新到最高版本）
cuda11.3.1+cudnn8.2.1，tensorflow2.7.0+Keras2.7.0，torch-1.11.0+cu113。
给出我安装成功的两个版本供大家参考

python3.8.0+CUDA11.6.0+cuDNN8.3.2+tensorflow2.7.0+Keras2.7.0
python3.8.0+CUDA11.3.1+cuDNN8.2.1+tensorflow2.7.0+Keras2.7.0

2. 显卡及算计要求

首先，检查一下是否安装了Nvidia显卡的驱动，搜索 Nvidia控制面板 或 Nvidia Control Panel可以看到当前已经安装的显卡驱动及版本。

有版本显示便是可行的，我的驱动程序没有更新，建议大家可以将驱动更新到最高，这样才支持更高的cuda版本。在上面【帮助】里面选择系统信息，选择【组件】，可以看到适合你电脑配置的最高cuda版本，我这里的cuda版本是11.4，但是我安装的是11.3版本。

NVIDIA官方 CUDA与显卡驱动版本对应表查询
在官网可以查询显卡驱动版本与对应的cuda版本，这也是为什么希望大家可以把显卡驱动更新到最高版本，显卡算力和显卡驱动版本共同决定你能下载的CUDA版本区间。

; cuda配置

确定好要安装的版本，下面可以开始下载安装我们需要的GPU环境。

1. 下载及安装

cuda官网网址：https://developer.nvidia.com/cuda-toolkit-archive
点击上面的网址，直接进入到CUDA版本界面，选择你所需要的cuda版本，我这里选择11.3版本

我是windows10系统，version版本选择10，local下载到本地，可以复制链接到迅雷快速下载，我这里是在官网下载的（网速够）

双击下面的CUDA应用程序，开始安装。

加载到安装界面，点击ok，按步骤往下走就可以

第一次，建议您选择“自定义安装”。如果您已经安装了多次，您可以选择简化安装。

勾选CUDA，NVIDIA GeForce Experience 是显卡驱动程序，如果你已经更新了显卡驱动版本，就不用勾选

在CUDA不用勾选Visual Studio Integration， 是VS的集成，选了也没有用。
然后一直点击下一步，就安装成功了。

这里只勾选CUDA，在CUDA不用勾选VS，选了也没有用。
然后一直点击下一步，就安装成功了。

; 2. 搭建环境及测试

安装成功之后，需要把相应的配置文件添加到环境变量中，在设置-关于-中找到高级系统设置，点击环境变量

检查环境变量中的【系统变量】是否有下面的配置路径，如果没有，需要找到你的cuda安装路径，

这是我的安装路径 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3

，点击【新建】，添加相应的变量名（手动添加）和变量值（就是你的CUDA的安装路径）。

添加成功后，可以在命令行窗口测试是否安装成功，输入nvcc -Version，如果出现下面的情况，表示安装成功。

cudnn配置

下面根据cuda的版本选择相应的cuDNN版本，不然后面会因为版本不匹配问题报错
cuda11.3.1+cudnn8.2.1

1. 下载

这里提供一种跳过注册登录cuDNN Archive的方法（ 由于注册过程中验证码的问题，无法正常注册）
cuDNN官网地址：https://developer.nvidia.com/rdp/cudnn-archive，这里直接进入到版本选择界面

选择相对于的版本，我这里是windows系统

选择你想要的cudnn，点击鼠标右键，选择【复制链接】，将链接在迅雷中打开，可以直接进行下载,跳过由于无法注册导致的无法下载的问题

下载本地后，解压缩该文件

; 2. 配置环境及测试

打开上面的cuDNN文件，将下面的三个配置文件分别放置到你开始安装的cuda相应的文件路径路径下：

这是我的安装路径 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3

将bin，include，lib复制到对应的cuda配置文件下

再添加系统变量，在【高级系统设置】-【环境变量】-【系统变量】下，点击【path】

点击【新建】，将相应的文件路径添加到path环境中，这里需要添加四条路径值
分别是cuda下的bin，lib，include，libnvvp

配置成功后点击确定
下面测试是否安装成功
在cuda文件路径下找到extra，再找到demo_suite

在当前路径下键入【cmd】，打开命令窗口，先输入deviceQuery

输出结果如下：

再键入【bandwidthTest】

如果出现pass表示安装成功。

pytorch配置

找到官网地址：https://pytorch.org/get-started/locally/

点击进入，选择以下要求：

我这里是在windows系统，python环境下安装的11.3版本，如果你的cuda高于11.3，也可以选择11.3cuda版本，复制上面的链接，打开命令窗口行，输入下面的链接地址安装pyTorch

pip3 install torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu113

安装成功后，可以测试是否安装成功，输入下面代码：

import torch
from torch import nn
import torchvision

如果不报错，即安装成功！

在pycharm上面测试GPU环境配置是否成功

print(torch.__version__)
print(torch.version.cuda)
print(torch.backends.cudnn.version)
print(torch.cuda.get_device_name(0))
print(torch.cuda.is_available())

运行结果显示：

1.11.0+cu113
11.3
8213
NVIDIA GeForce RTX 3070 Laptop GPU
True

最后一行输出为True，则表明GPU环境正常。

Original: https://blog.csdn.net/zzjcymbq/article/details/125040993
Author: 勋章DhR
Title: 【超详细】windows10系统下深度学习环境搭建CUDA11.3+cuDNN，以及tensorflow，Keras，pyTorch对应版本

相关阅读

Title: Pandas常用累计、同比、环比等统计方法实践案例

统计表中常常以本年累计、上年同期（累计）、当期（例如当月）完成、上月完成为统计数据，并进行同比、环比分析。如下月报统计表所示样例，本文将使用Python Pandas工具进行统计。

其中：

• （本年）累计：是指本年1月到截止月份的合计数
• （上年）同期（累计）：是指去年1月到与本年累计所对应截止月份的合计数
• 同比（增长率）＝（本期数－同期数）/同期数*100％
• 环比（增长率）＝（本期数－上期数）/上期数*100％

注：这里的本期是指本月完成或当月完成，上期数是指上月完成。

示例数据：

注：为了演示方便，本案例数据源仅使用2年，且每年5个月的数据。

; 1. （本年）累计

在统计分析的发展中，按年和按月积累一些统计数据是相当常见的。对于数据，就是按规则逐行累计数据。

Pandas中的cumsum()函数可以实现按某时间维度累计需求。

import pandas as pd

df = pd.read_csv('data2021.csv')
cum_columns_name = ['cum_churncount','cum_newcount']
df[cum_columns_name] = df[['years','churncount','newcount']].groupby(['years']).cumsum()

注：其中分组'years'是指年度时间维度累计。

计算结果如下：

2. （上年）同期累计

对于（上年）同期累计，将直接取上一年度累计值的同月份数据。pandas DataFrame.shift()函数可以把数据移动指定的行数。

接续上列，读取同期数据。首先是把'yearmonth'上移五行，如上图所示得到新的DataFrame，通过'yearmonth'进行两表数据关联（左关联：左侧为原表，右侧为移动后的新表），实现去同期数据效果。

cum_columns_dict = {'cum_churncount':'cum_same_period_churncount',
                        'cum_newcount':'cum_same_period_newcount'}
df_cum_same_period = df[['cum_churncount','cum_newcount','yearmonth']].copy()
df_cum_same_period = df_cum_same_period.rename(columns=cum_columns_dict)

df_cum_same_period.loc[:,'yearmonth'] = df_cum_same_period['yearmonth'].shift(-5)

df = pd.merge(left=df,right=df_cum_same_period,on='yearmonth',how='left')

3. 上月（完成）

取上月的数据，使用pandas DataFrame.shift()函数把数据移动指定的行数。

接续上列，读取上期数据。（与取同期原理一样，略）

last_mnoth_columns_dict = {'churncount':'last_month_churncount',
                        'newcount':'last_month_newcount'}
df_last_month = df[['churncount','newcount','yearmonth']].copy()
df_last_month = df_last_month.rename(columns=last_mnoth_columns_dict)

df_last_month.loc[:,'yearmonth'] = df_last_month['yearmonth'].shift(-1)
df = pd.merge(left=df,right=df_last_month,on='yearmonth',how='left')

4. 同比（增长率）

计算同比涉及到除法，需要剔除除数为零的数据。

df.fillna(0,inplace=True)

df.loc[df['cum_same_period_churncount']!=0,'cum_churncount_rat'] = (df['cum_churncount']-df['cum_same_period_churncount'])/df['cum_same_period_churncount']
df.loc[df['cum_same_period_newcount']!=0,'cum_newcount_rat'] =  (df['cum_newcount']-df['cum_same_period_newcount'])/df['cum_same_period_newcount']
df[['yearmonth','cum_churncount','cum_newcount','cum_same_period_churncount','cum_same_period_newcount','cum_churncount_rat','cum_newcount_rat']]

5. 环比（增长率）

df.loc[df['last_month_churncount']!=0,'churncount_rat'] = (df['churncount']-df['last_month_churncount'])/df['last_month_churncount']
df.loc[df['last_month_newcount']!=0,'newcount_rat'] =  (df['newcount']-df['last_month_newcount'])/df['last_month_newcount']
df[['yearmonth','churncount','newcount','last_month_churncount','last_month_newcount','churncount_rat','newcount_rat']]

6. 总结

pandas做统计计算功能方法比较多，这里总结用到的技术有累计cumsum()函数、移动数据shift()函数、表合并关联merge()函数，以及通过loc条件修改数据。

Original: https://blog.csdn.net/xiaoyw/article/details/122979421
Author: 肖永威
Title: Pandas常用累计、同比、环比等统计方法实践案例