【安装教程】Windows10环境下Pytorch(GPU版)的安装与配置

目录

• Pytorch的概念
• 安装前要求
• 一、NVIDIA驱动查看
• 二、Anaconda的安装
• • [2.1 Anaconda的安装](#2.1 Anaconda的安装)
  • [2.2 创建虚拟环境](#2.2 创建虚拟环境)
  • [2.3 激活虚拟环境](#2.3 激活虚拟环境)
• [三、CUDA ToolKit的安装（选做，CPU版本可跳过）](#三、CUDA ToolKit的安装（选做，CPU版本可跳过）)
• • [3.1 CUDA安装包的下载（以CUDA11.6.0为例）](#3.1 CUDA安装包的下载（以CUDA11.6.0为例）)
  • [3.2 CUDA的安装](#3.2 CUDA的安装)
  • [3.3 验证CUDA安装是否成功](#3.3 验证CUDA安装是否成功)
• 四、cuDNN的安装（选做，CPU版本可跳过）
• • [4.1 cuDNN的下载](#4.1 cuDNN的下载)
  • [4.2 复制到CUDA文件夹](#4.2 复制到CUDA文件夹)
• 五、Pytorch的安装
• • [5.1 执行安装命令](#5.1 执行安装命令)
  • [5.2 安装验证](#5.2 安装验证)
• 六、安装验证
• • [6.1 创建一个pycharm项目，并且选择虚拟环境作为解释器](#6.1 创建一个pycharm项目，并且选择虚拟环境作为解释器)
  • [6.2 创建一个测试文件](#6.2 创建一个测试文件)

Pytorch的概念

PyTorch是一个开源的深度学习框架，由Facebook的人工智能研究团队开发。它提供了灵活的张量计算和自动求导功能，适合于研究和生产环境。由于其动态计算图的特性，PyTorch在模型构建和调试上非常方便，受到众多研究人员和开发者的欢迎。PyTorch支持GPU加速，具备丰富的库和工具，例如用于计算机视觉的TorchVision和用于自然语言处理的TorchText。

---

安装前要求

• Windows 10电脑
• 电脑显卡品牌为英伟达(Nvidia)

---

一、NVIDIA驱动查看

以博主本机为例，显卡为NVIDIA GeForce GTX 1650，最高支持的CUDA版本是12.6。

命令：nvidia-smi

---

二、Anaconda的安装

2.1 Anaconda的安装

具体内容参考这篇博客：安装 Anaconda 3 开发环境

---

2.2 创建虚拟环境

虚拟环境是一种工具，可以让您在同一台计算机上创建多个独立的Python环境，每个环境可以拥有自己的Python解释器版本、包和依赖项。通过使用虚拟环境,您可以为每个项目创建一个独立的环境,确保项目之间的依赖关系互不干扰,避免包冲突问题。

打开Anaconda Prompt后输入以下命令创建一个名为pytorch的虚拟环境，使用的python版本为3.10

conda create -n pytorch python=3.10

运行到下图步骤时，输入y后按回车

出现下图即表示虚拟环境创建成功

---

2.3 激活虚拟环境

创建完成后，激活该环境：

conda activate pytorch

激活输入下面命令查看conda环境，发现被激活的环境已经加入conda的虚拟环境

conda info -e

---

三、CUDA ToolKit的安装（选做，CPU版本可跳过）

3.1 CUDA安装包的下载（以CUDA11.6.0为例）

网址：https://developer.nvidia.com/cuda-toolkit-archive

选择需要下载的版本，这里以11.6.0为例

按照自己需要选择对应的版本，注意：下载方式分为本地和网络下载，两种均可。

---

3.2 CUDA的安装

打开下载到电脑的安装包，开始执行安装步骤，这里默认安装到C盘，可以根据个人情况修改安装地址。

安装选项选择精简（推荐），省事，需要自定义的可以选择。

---

3.3 验证CUDA安装是否成功

执行完所有安装步骤后，打开命令提示符cmd，输入nvcc -V 查看是否安装成功

出现下图表示CUDA Tookit安装成功。

---

四、cuDNN的安装（选做，CPU版本可跳过）

cuDNN（CUDA Deep Neural Network library）是 NVIDIA 提供的一个高性能深度学习库，专门用于加速深度神经网络的训练和推理。它是建立在 CUDA 之上的，能够利用 NVIDIA GPU 的并行计算能力。

4.1 cuDNN的下载

官网：https://developer.nvidia.com/rdp/cudnn-archive

注意：这个需要注册账号，用邮箱注册即可，填写相关信息。

---

4.2 复制到CUDA文件夹

---

五、Pytorch的安装

https://pytorch.org/get-started/previous-versions/，进入官网，找到需要的命令。

以本机为例，11.6查找11.6对应的conda或pip命令，这里安装。

5.1 执行安装命令

OSX（MAC）

# conda
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 -c pytorch

Linux and Windows

# CUDA 11.6
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.6 -c pytorch -c nvidia
# CUDA 11.7
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia
# CPU Only
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 cpuonly -c pytorch

---

5.2 安装验证

进入torch虚拟环境，执行pip show torch

出现下图表示安装成功

---

六、安装验证

那么，将以上步骤执行完毕后，Pytorch的整体安装基本完成，接下来在Pycharm里测试torch是否可以查到自己的GPU，并且执行torch的简单方法。

6.1 创建一个pycharm项目，并且选择虚拟环境作为解释器

设置->项目->Python解释器->添加解释器->添加本地解释器->Virtualenv环境->选择现有->找到虚拟环境文件夹里的python.exe->自动识别python版本->确定

---

6.2 创建一个测试文件

创建下面文件，用来测试 PyTorch 是否能访问 GPU，并进行一些基础的语法测试。

import torch

def test_gpu_access():
    # 检查是否有可用的 GPU
    if torch.cuda.is_available():
        device = torch.device("cuda")  # 使用 GPU
        print("GPU is available. Using:", torch.cuda.get_device_name(0))
    else:
        device = torch.device("cpu")  # 使用 CPU
        print("GPU is not available. Using CPU.")

    return device

def basic_tensor_operations(device):
    # 创建一个随机的张量并转移到指定设备
    x = torch.rand(5, 3, device=device)
    y = torch.rand(5, 3, device=device)

    print("Tensor X:", x)
    print("Tensor Y:", y)

    # 张量加法
    z = x + y
    print("Tensor Z (X + Y):", z)

    # 计算张量的均值
    mean_z = z.mean()
    print("Mean of Tensor Z:", mean_z.item())

if __name__ == "__main__":
    device = test_gpu_access()
    basic_tensor_operations(device)

下面运行结果即代表Pytorch安装成功，撒花！！！❀❀❀

---