假设你已经安装了Anaconda3（最新Anaconda3的安装配置及使用教程（详细过程））

假设你已经配置好了cuda和cudann环境（pytorch gpu版本的最全安装教程，含环境配置、CUDA（百度云下载）安装程序失败解决方案）

一、创建深度学习 Conda 虚拟环境

在base环境下，创建python版本为3.9.16的，名为dl_pytorch的虚拟环境

conda create --name dl_pytorch python=3.9.16

进入dl_pytorch环境

conda activate dl_pytorch

查看环境中的python版本

python

最后按ctrl+z退出python

到这里，深度学习的虚拟环境就初步搭建好啦！

二、安装 Pytorch-Gpu

去这个网站下载Pytorch相关的轮子（我试了很多方法，其他方法安装完后GPU总是不可用，用轮子安装一次成功！）：https://download.pytorch.org/whl/torch_stable.html

下载好轮子之后，在虚拟环境中按照顺序执行下面的命令安装（注意换成你的轮子路径 pip install 你的.whl文件地址）

下面是我安装时候的命令（仅供参考）:

pip install D:\\WSKH\\Package\\Python\\pytorch\\torch-1.13.1+cu117-cp39-cp39-win_amd64.whl

pip install D:\\WSKH\\Package\\Python\\pytorch\\torchvision-0.14.1+cu117-cp39-cp39-win_amd64.whl

pip install D:\\WSKH\\Package\\Python\\pytorch\\torchaudio-0.13.1+cu117-cp39-cp39-win_amd64.whl

安装完成，进行测试

python

import torch

torch.cuda.is_available()

torch.cuda.get_device_name(0)

torch.rand(3, 3).cuda()

如果显示和上图一样，那么你也大功告成了！

三、安装 PyTorch Geometric

注意： 千万不要直接pip install 去安装这个库！！！否则很可能会有问题！！！

进入这个GitHub网址： https://github.com/pyg-team/pytorch_geometric

进入页面后往下滑，找到如下图所示的字样，点击here

选择你电脑中已经安装的torch版本（一定要和你已经安装的torch版本一致），我安装的是torch-1.13.1+cu117，所以就选下图红框中的了

怎么查看torch版本？

pip show torch

选择完正确的torch版本后，会进入下面的界面，一共有4个不同的.whl文件，每一种选一个符合你的版本下载即可

例如：torch_cluster-1.5.9-cp36-cp36m-win_amd64.whl 指的是python为3.6的windows版本

我的电脑是windows的，前面创建的环境的python版本为3.9.16，所以我下载的四个包如下图所示：

下载好之后，直接pip install 你的.whl文件地址

下面是我安装时候的命令（仅供参考）:

pip install D:\\WSKH\\Package\\Python\\pyg\\torch_cluster-1.6.0+pt113cu117-cp39-cp39-win_amd64.whl

pip install D:\\WSKH\\Package\\Python\\pyg\\torch_scatter-2.1.0+pt113cu117-cp39-cp39-win_amd64.whl

pip install D:\\WSKH\\Package\\Python\\pyg\\torch_sparse-0.6.16+pt113cu117-cp39-cp39-win_amd64.whl

pip install D:\\WSKH\\Package\\Python\\pyg\\torch_spline_conv-1.2.1+pt113cu117-cp39-cp39-win_amd64.whl

最后，一定要等上面四步完成之后，再执行下面的操作

pip install torch-geometric

至此，Pyg 安装完毕！下面进行测试（下面的代码需要安装 networkx 和matplotlib 库，这两个库直接 conda install 安装即可）：

conda installl matplotlib

conda install networkx

import os
from torch_geometric.datasets import KarateClub
from torch_geometric.utils import to_networkx
import networkx as nx
import matplotlib.pyplot as plt# 画图函数
def visualize_graph(G, color):plt.figure(figsize=(7, 7))plt.xticks([])plt.yticks([])nx.draw_networkx(G, pos=nx.spring_layout(G, seed=42), with_labels=False,node_color=color, cmap="Set2")plt.show()# 画点函数
def visualize_embedding(h, color, epoch=None, loss=None):plt.figure(figsize=(7, 7))plt.xticks([])plt.yticks([])h = h.detach().cpu().numpyplt.scatter(h[:, 0], h[:, 1], s=140, c=color, cmap="Set2")if epoch is not None and loss is not None:plt.xlabel(f'Epoch:{epoch},Loss:{loss.item():.4f}', fontsize=16)plt.show()if __name__ == '__main__':# 不加这个可能会报错os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'dataset = KarateClub()print(f'Dataset:{dataset}:')print('=' * 30)print(f'Number of graphs:{len(dataset)}')print(f'Number of features:{dataset.num_features}')print(f'Number of classes:{dataset.num_classes}')print('=' * 30)data = dataset[0]# train_mask = [True,False,...] ：代表第1个点是有标签的，第2个点是没标签的，方便后面LOSS的计算print(data)  # Data(x=[节点数, 特征数], edge_index=[2, 边的条数], y=[节点数], train_mask=[节点数])G = to_networkx(data, to_undirected=True)visualize_graph(G, color=data.y)

输出：

Dataset:KarateClub():
==============================
Number of graphs:1
Number of features:34
Number of classes:4
==============================
Data(x=[34, 34], edge_index=[2, 156], y=[34], train_mask=[34])

四、安装 Sklearn

conda install scikit-learn

安装完后，执行 pip show scikit-learn 查看版本

五、Jupyter 配置

5.1 将虚拟环境加入内核

在 base 环境安装 nb_conda_kernels（这里可以用conda安装，我试了ok）

conda install nb_conda_kernels

进入 dl_pytorch 虚拟环境，安装 ipykernel（注意：这里我是pip安装，网上大部分教程都是conda安装，但是我实际操作下来，每次conda安装完，再conda info、install等都会报错，试了七八次都是这样，所以最后尝试了pip，结果就成功了）

pip install ipykernel

然后启动 jupyter，就能看到 conda 虚拟环境了

5.2 插件配置

具体操作可以参考博客：

• 推荐10个好用到爆的Jupyter Notebook插件，让你效率飞起
• Jupyter Notebook的16个超棒插件！

不过需要注意的是，操作都在 base 环境下进行，并且pip install最好改成 conda install，实在不行再 pip install

5.3 主题、字体、字号配置

参考博客：

• Jupyter Notebook如何修改主题、字体、字号？分分钟搞定！！！

注意：如果你没有C:\\Users\\user.jupyter\\custom\\custom.css文件夹，自己手动创建一个就好。

分享一下我的 custom.css

/* Body */
/* #notebook-container {width: 60%
} *//* Markdown */
div#notebook {font-family: san francisco, "PingFangSC-Medium", "Microsoft YaHei";line-height: 20px;-webkit-font-smoothing: antialiased !important;
}/* Markdown - h2 */
div#notebook h2 {color: #007aff;
}/* Markdown - quote */
div#notebook blockquote{background-color: #f8f8f8;color: #505050;padding: 8.5px;margin: 0.5em -0.5em 0.5em -0.4em;
}/* Markdown - code in paragraph */
div#notebook p code, div#notebook li code {font-family: Consolas, "PingFangSC-Medium", "Microsoft YaHei";font-size: 1em !important;color: #111111;border: 0.5px solid #cfcfcf;border-radius: 2px;background-color: #f7f7f7;padding: .1em .2em;margin: 0px 2px;
}/* Markdown - code */
div.text_cell_render pre {border: 1px solid #cfcfcf;border-radius: 2px;background: #f7f7f7;line-height: 1.21429em;padding: 8.5px;margin: 0.5em -0.5em 0.5em -0.4em;
}
div.text_cell_render code {background: #f7f7f7;
}/* Code */
div.CodeMirror pre {font-family: Consolas, "PingFangSC-Medium", "Microsoft YaHei";font-size: 11pt;line-height: 140%;-webkit-font-smoothing: antialiased !important;
}/*这里修改的是Code里的方字大小*/
pre.CodeMirror-line{font-family: Consolas, "PingFangSC-Medium", "Microsoft YaHei" !important;font-size: 16px !important;line-height: 140%;} /* Code - output */
div.output pre {font-family: Consolas, "PingFangSC-Medium", "Microsoft YaHei";line-height: 20px;-webkit-font-smoothing: antialiased !important;
}/* Code - comment */
span.cm-comment {font-family: Consolas, "PingFangSC-Medium", "Microsoft YaHei" !important;font-style: normal !important;
}/* Code - highlighting (grade3)*/
.cm-s-ipython .CodeMirror-cursor {border-left: 1px solid #ff711a !important;
}
.cm-s-ipython span.cm-comment {color: #8d8d8d;font-style: italic;
}
.cm-s-ipython span.cm-atom {color: #055be0;
}
.cm-s-ipython span.cm-number {color: #ff8132;
}
.cm-s-ipython span.cm-property {color: #303030;
}
.cm-s-ipython span.cm-attribute {color: #303030;
}
.cm-s-ipython span.cm-keyword {color: #713bc5;font-weight: bold;
}
.cm-s-ipython span.cm-string {color: #009e07;
}
.cm-s-ipython span.cm-meta {color: #aa22ff;
}
.cm-s-ipython span.cm-operator {color: #055be0;
}
.cm-s-ipython span.cm-builtin {color: #e22978;
}
.cm-s-ipython span.cm-variable {color: #303030;
}
.cm-s-ipython span.cm-variable-2 {color: #de143d;
}
.cm-s-ipython span.cm-variable-3 {color: #aa22ff;
}
.cm-s-ipython span.cm-def {color: #e22978;font-weight: bold;
}
.cm-s-ipython span.cm-error {background: rgba(191, 97, 106, .40);
}
.cm-s-ipython span.cm-tag {color: #e22978;
}
.cm-s-ipython span.cm-link {color: #ff8132;
}
.cm-s-ipython span.cm-storage {color: #055be0;
}
.cm-s-ipython span.cm-entity {color: #e22978;
}
.cm-s-ipython span.cm-quote {color: #009e07;
}
div.CodeMirror span.CodeMirror-matchingbracket {color: #1c1c1c;background-color: rgba(30, 112, 199, .30);
}
div.CodeMirror span.CodeMirror-nonmatchingbracket {color: #1c1c1c;background: rgba(191, 97, 106, .40) !important;
}
.cm-s-default .cm-hr {color: #055be0;
}

最终效果