PyTorch2.0环境搭建(二)

三、前置环境搭建——CUDA

pytorch有cpu和gpu两个版本，区别是：

1、硬件要求：CPU版本运算只与CPU版本有关；GPU版本还需要额外链接N卡，可以通过N卡进行加速

2、运行速度：GPU版本比CPU版本在复杂数据和密集计算过程中的环境中更有优势

3、软件需求：GPU版本需要额外安装CUDA和cuDNN两个驱动程序。

4、兼容性，CPU版本取决于CPU的版本，GPU版本受限于CUDA的版本

如果只是微调着玩玩则可以直接安装CPU版本，如果显卡配置较好则可以安装2.0以上的Pytorch

综上，结合本人配置和需求，安装的是GPU版本的Pytorch2.0版本。

1、查看你的显卡版本和适配的CUDA

鼠标右键、NVIDIA控制面板、左下角系统信息、进入后可以查看CUDA的版本（如我这个就是12.1版本）、

2、进入官网:

​​​​​kCUDA Toolkit Archive | NVIDIA Developer、选择合适的版本、下载、

3、完成安装CUDA

下载完毕后、运行、

完成安装

4、查看环境变量（略）

如果没有的话需要自己添加、路径为安装路径+bin和安装路径+libnvvp

打开控制台，输入以下指令，如果出现后边这些说明完成了

四、cuDNN

1、cuDNN下载

进入官网：Log in | NVIDIA Developer

注册、勾选“I agree”、选择相应的版本

由于我的CUDA是12版本的，windows系统，所以选了这个：大框下边的第一个

2、解压

下载完毕后、解压、将三个文件夹中的文件复制、粘贴到同名文件夹下

把cuDNN看成CUDA的一个补丁，就可以理解了

如果忘记路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1

3、配置环境变量

将以下四个路径复制到path中（其实只有中间三个）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp

4、验证

打开cmd、cd到一下文件夹、分别执行两个.exe文件

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite

bandwidthTest.exe

五、安装pytorch

1、安装pytorch

这是最简单的一步：打开控制台输入：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

2、验证

编写下列程序，以你喜欢的方式：

import torch
result = torch.tensor(1) +torch.tensor(2.0)
print(result)

输出：

打完！收工！

linux系统pytorch的安装：Linux安装显卡驱动、annaconda和CUDA（超详细）_linux cuda-CSDN博客