1.先创建conda的虚拟环境
conda create -n gputorch python==3.10
2.激活刚刚创建好的虚拟环境
conda activate gputorch
3.设置镜像源
这一步是后面安装pytorch相关包所需要的来源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
4.查看电脑的显卡驱动版本
在cmd命令窗口中输入nvidia-smi
5.安装
- 方法1： 在pytorch官网https://pytorch.org/，直接复制命令进行安装
在命令窗口中直接输入命令–回车安装
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
- 方法2：本文使用的pytorch版本是torch==2.2.2，检索历史记录可以找到这个版本，并且它的CUDA版本要求是12.1（我是12.3）因此可以兼容。如果CUDA版本达不到要求，又想用论文项目对应的pytorch，可以选择CPU训练。
注意：这里查看一下，自己的显卡驱动所能支持的版本，我这显卡驱动支持cuda12.3，所以我安装的cuda和pytorch都很新，你只需要根据自己需要更改版本就好了。
# CUDA 12.1
conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=12.1 -c pytorch -c nvidia
下载时间会有一点久，耐心等待……
注意：Pytorch官网首页目前只更新到支持DUDA12.1的，还没更新到支持CDUA12.3 GPU的安装，官网首页的命令安装后只支持CPU。使用的文中这个末尾带nvidia的之前版本的命令，安装后CUDA12.3可正常在环境中使用GPU的Pytorch。
6.验证PyTorch是否安装成功
- 检查版本信息：在Python环境中运行以下代码来打印出已安装的PyTorch版本
import torch
print(torch.__version__)
- 执行简单计算：使用PyTorch进行一些基本的操作，如创建张量（tensor）并执行加法操作。这可以确保库的基本功能可用。
#python
import torch
x = torch.rand(5, 3)
y = torch.rand(5, 3)
z = x + y
print(z)
- 测试GPU支持（如果有）
如果你的系统配置有NVIDIA GPU并安装了CUDA以利用GPU加速，那么可以测试PyTorch是否能识别到GPU。运行以下代码：
#python
import torch
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)
- 查看CUDA和CUDNN信息
如果你想进一步确认CUDA和cuDNN的支持情况，你可以在Python shell中输入以下命令：
#python
import torch
print("CUDA available:", torch.cuda.is_available())
print("cuDNN enabled:", torch.backends.cudnn.enabled)
以上就是验证PyTorch是否安装成功的常用方法。
