Python深度学习环境配置全攻略

配置 Python 深度学习环境（PyTorch、CUDA、cuDNN）的详细步骤指南：

🧠 1. 硬件与操作系统检查

显卡要求 ：确保您的显卡是 NVIDIA GPU 并支持 CUDA（可使用命令 nvidia-smi 查看）
操作系统：Windows、Linux（推荐）或 macOS（仅支持 CPU 版本）

🔧 2. 安装 NVIDIA 驱动

访问 NVIDIA 官网下载对应显卡的最新驱动

安装完成后通过 nvidia-smi 验证驱动版本和 CUDA 版本

复制代码

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 535.113.01   Driver Version: 535.113.01   CUDA Version: 12.2    |
|-------------------------------+----------------------+----------------------+

⚙️ 3. 安装 CUDA Toolkit

访问 CUDA Toolkit 下载页面
选择与驱动兼容的版本（例如 nvidia-smi 显示 CUDA 12.2 则选择 12.x）
Windows：运行安装程序并配置环境变量

Linux ：

bash 复制代码

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/3bf863cc.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/ /"
sudo apt-get update
sudo apt-get -y install cuda-12.2

📦 4. 安装 cuDNN

访问 cuDNN 下载页面（需注册账号）
下载与 CUDA 版本匹配的 cuDNN

解压后复制文件到 CUDA 目录：

bash 复制代码

tar -xzvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y.tgz
sudo cp cuda/include/cudnn*.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

🐍 5. 配置 Python 环境

推荐使用 conda 或 venv 创建虚拟环境：

bash 复制代码

conda create -n pytorch_env python=3.10
conda activate pytorch_env

🔥 6. 安装 PyTorch

访问 PyTorch 官网获取安装命令

根据 CUDA 版本选择命令（例如 CUDA 12.1）：

bash 复制代码

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

✅ 7. 验证安装

python 复制代码

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"设备数量: {torch.cuda.device_count()}")
print(f"当前设备: {torch.cuda.current_device()}")
print(f"设备名称: {torch.cuda.get_device_name(0)}")

# 测试张量计算
x = torch.randn(3, 3).cuda()
print(x ** 2)

🛠️ 常见问题解决

CUDA不可用：
- 检查驱动版本与 CUDA Toolkit 是否兼容
- 确保环境变量 PATH 包含 CUDA 路径（如 /usr/local/cuda/bin）
- 重启系统使驱动生效
版本冲突：
- 使用 conda list 检查包版本
- 重新创建虚拟环境并严格按官网命令安装
内存不足：
- 减少 batch size
- 使用 torch.cuda.empty_cache()

💡 提示：对于新手，推荐使用 Anaconda 管理环境，可自动解决大部分依赖问题。

配置完成后，您可以使用以下代码测试 GPU 加速效果：

python 复制代码

import time
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# CPU计算
start = time.time()
cpu_tensor = torch.randn(10000, 10000)
cpu_result = cpu_tensor @ cpu_tensor.T
print(f"CPU耗时: {time.time()-start:.2f}s")

# GPU计算
start = time.time()
gpu_tensor = cpu_tensor.to(device)
gpu_result = gpu_tensor @ gpu_tensor.T
print(f"GPU耗时: {time.time()-start:.2f}s")