【深度学习入门】Windows 下 PyTorch GPU 环境搭建

文章目录

• 一、前言
• [二、环境准备：下载并安装 CUDA](#二、环境准备：下载并安装 CUDA)
• • [2.1 什么是 CUDA？什么是 cuXXX？](#2.1 什么是 CUDA？什么是 cuXXX？)
  • [2.2 第一步：检查显卡驱动](#2.2 第一步：检查显卡驱动)
  • [2.3 第二步：下载适配本机的 CUDA Toolkit](#2.3 第二步：下载适配本机的 CUDA Toolkit)
  • [2.4 第三步：安装 CUDA Toolkit](#2.4 第三步：安装 CUDA Toolkit)
  • [2.5 第四步：配置环境变量（Windows）](#2.5 第四步：配置环境变量（Windows）)
  • [2.6 第五步：验证 CUDA 是否安装成功](#2.6 第五步：验证 CUDA 是否安装成功)
• [三、安装对应版本 PyTorch（WHL 文件方式）](#三、安装对应版本 PyTorch（WHL 文件方式）)
• • [3.1 看懂 WHL 文件名（命名规则）](#3.1 看懂 WHL 文件名（命名规则）)
  • [3.2 方法一：本地安装（推荐，速度最快）](#3.2 方法一：本地安装（推荐，速度最快）)
  • [3.3 方法二：在线安装（无需下载 whl）](#3.3 方法二：在线安装（无需下载 whl）)
  • [3.4 额外依赖安装：matplotlib](#3.4 额外依赖安装：matplotlib)
• 四、验证环境是否部署成功
• 五、总结

---

一、前言

深度学习的第一步，永远是把环境装好、把第一个 Demo 跑通。本文以 PyTorch 为例，从头讲解 Windows 下 CUDA 配套的 torch、torchvision、torchaudio 安装流程，涵盖驱动检查、CUDA Toolkit 安装、WHL 本地安装与在线安装方式，并附版本匹配要点和验证步骤，助您一次成功。

---

二、环境准备：下载并安装 CUDA

2.1 什么是 CUDA？什么是 cuXXX？

• CUDA 是 NVIDIA 提供的并行计算平台和编程模型，让程序能调用 GPU 做大规模并行计算，是深度学习加速的基石。
• cuXXX 是 PyTorch 安装包内对 CUDA 版本的简写标识，例如 +cu124 代表该安装包基于 CUDA 12.4 编译、+cu128 代表基于 CUDA 12.8 编译，后缀数字对应 CUDA Toolkit 版本。

2.2 第一步：检查显卡驱动

安装 CUDA Toolkit 前，先确认设备搭载 NVIDIA 独立显卡，且显卡驱动满足版本要求。按下 Win + R，输入 cmd 打开命令提示符，执行命令：

nvidia-smi

输出中会显示显卡型号和驱动信息。右上角会标注驱动可支持的最高 CUDA 版本。

判断标准：后续准备安装的 CUDA Toolkit 版本不能高于该数值，否则无法正常使用；若驱动版本过低，先前往 NVIDIA 官网更新显卡驱动。

2.3 第二步：下载适配本机的 CUDA Toolkit

打开 NVIDIA 官方下载页：

• 最新版本直达页：https://developer.nvidia.com/cuda-downloads
• 历史版本归档页：https://developer.nvidia.com/cuda-toolkit-archive

版本与安装器选择

1. 参考上一步 nvidia-smi 查询到的最大支持 CUDA 版本，挑选不超过该上限的稳定版本（深度学习常用 12.x 系列）
2. 页面参数配置参考下表：

选项	选择
Operating System	Windows
Architecture	x86_64
Version	自行选择适配本机的 CUDA 版本
Installer Type	exe (local)

3. 选择 exe (local) 本地完整离线安装包，点击 Download 下载，完整安装包大小约 2~3GB。

2.4 第三步：安装 CUDA Toolkit

1. 双击下载好的安装包，选择自定义安装（Custom）。
2. 如果你已经装好了新版显卡驱动，可以取消勾选 Driver 组件，只安装 CUDA 其余部分。
3. 一路 Next 完成安装，默认安装路径为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.X。

2.5 第四步：配置环境变量（Windows）

安装程序一般会自动配置环境变量，如果没有生效，手动添加：

1. 右键"此电脑" → 属性 → 高级系统设置 → 环境变量。

2. 在系统变量 Path 中新增下面两条路径，将v12.X替换为本机实际 CUDA 版本：

   C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.X\bin
   C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.X\libnvvp

2.6 第五步：验证 CUDA 是否安装成功

必须重新打开新的命令行窗口（环境变量才会生效），执行命令：

nvcc --version

正常输出会显示release X.Y版本信息，代表 CUDA Toolkit 安装成功。

小提示：

• 带+cuXXX后缀的 PyTorch 安装包内部已经自带运行所需的 CUDA runtime 运行库。
• 如果仅用来运行 PyTorch 训练推理，很多场景下不需要完整安装 CUDA Toolkit，只要显卡驱动版本足够即可。
• 单独安装完整 CUDA Toolkit 的优势：自带nvcc编译器、cuBLAS 等全套开发组件，适合自定义 CUDA 算子、底层 GPU 开发等场景。

---

三、安装对应版本 PyTorch（WHL 文件方式）

3.1 看懂 WHL 文件名（命名规则）

示例文件名：torch-2.10.0+cuXXX-cp3xx-cp3xx-win_amd64.whl

片段	含义
torch	包名（配套还有 torchvision /torchaudio）
2.10.0	PyTorch 核心版本号
+cuXXX	GPU 版本，XXX 对应 CUDA 版本；无+cu则为 CPU 版本
cp3xx	适配的 Python 版本，如 cp311 代表 Python3.11
win_amd64	Windows 64 位系统
.whl	Python wheel 离线安装包格式

示例版本 2.10.0 对应 torchvision 0.25.0、torchaudio 2.10.0，安装时版本号需成套，请勿混搭不同主版本号。
注意 ：下载 whl 包时，cp3xx 必须和本机 Python 版本完全匹配 ，否则 pip 会报不支持的 wheel 平台错误；cuXXX要和前面 nvidia-smi 查询到可支持的 CUDA 版本匹配。

3.2 方法一：本地安装（推荐，速度最快）

先访问下载地址获取 whl 包：

打开链接 https://download.pytorch.org/whl/cu126，依次进入torch、torchvision、torchaudio，在页面中找到匹配本机 Python 版本（cp3xx）、Windows 平台的 torch、torchvision、torchaudio 三个 whl 文件并下载。

将 torch、torchvision、torchaudio 三个 whl 文件放在同一个文件夹内，在该文件夹路径下打开命令行，执行安装：

pip install torch-2.10.0+cuXXX-cp3xx-cp3xx-win_amd64.whl
pip install torchvision-0.25.0+cuXXX-cp3xx-cp3xx-win_amd64.whl
pip install torchaudio-2.10.0+cuXXX-cp3xx-cp3xx-win_amd64.whl

也可以一键批量安装：

pip install *.whl

建议先单独安装 torch，再装 torchvision、torchaudio，依赖解析更稳。

3.3 方法二：在线安装（无需下载 whl）

网络条件良好时，直接使用 PyTorch 官方源在线安装，将命令里的cuXXX替换为你本机匹配的 CUDA 版本标识：

pip install torch==2.10.0 torchvision==0.25.0 torchaudio==2.10.0 --index-url https://download.pytorch.org/whl/cuXXX

国内访问官方源速度慢时，可以替换国内镜像源，示例（南大镜像）：

https://mirrors.nju.edu.cn/pytorch/whl/cuXXX

3.4 额外依赖安装：matplotlib

当需要 matplotlib 绘图，该库不属于 PyTorch 自带组件，需要单独安装：

pip install matplotlib

---

四、验证环境是否部署成功

可以直接运行下面代码校验版本与 GPU 可用性：

import torch
import torchvision
import torchaudio

print(torch.__version__)
print(torchvision.__version__)
print(torchaudio.__version__)
print(torch.cuda.is_available())

成功标准：

1. 版本号后缀带有+cuXXX
2. torch.cuda.is_available() 输出 True
   代表 GPU 版本 PyTorch 环境安装完成。

---

五、总结

本文详细梳理了 Windows 系统下配置 PyTorch GPU 环境的完整流程，从驱动检查、CUDA Toolkit 安装与验证，到 torch、torchvision、torchaudio 三大核心库的 WHL 本地安装和在线安装，再到最终的 GPU 可用性验证，形成了闭环操作指南。

关键要点回顾：

1. 先查驱动上限 ：nvidia-smi 显示的 CUDA 版本是硬上限，安装的 CUDA Toolkit 不能超过它。
2. 版本成套 ：PyTorch、torchvision、torchaudio 的版本号必须配套，如 2.10.0 ↔ 0.25.0 ↔ 2.10.0，且 +cuXXX 后缀需一致。
3. Python 版本严格匹配 ：WHL 文件名中的 cp3xx 必须与当前 Python 解释器版本完全一致。
4. 环境变量生效 ：安装完 CUDA 后，务必重新打开命令行窗口 再执行 nvcc --version 验证。
5. 按需选择安装方式：网络不稳定时优先选择 WHL 本地离线安装，速度快且可靠；网络好且熟悉版本号时可选在线安装。