(GPU版本） PyTorch安装教程

CUDA：

CUDA是NVIDIA推出的并行计算平台和API模型，它使得显卡可以用于图像渲染和计算以外的目的。PyTorch通过CUDA可以充分利用GPU的计算能力，加速深度神经网络的学习和推理过程。

cuDNN：
cuDNN是CUDA的扩展库，专门针对深度神经网络中的基础操作提供高度优化的实现方式，例如卷积、池化、规范化以及激活层的前向和后向过程。使用cuDNN可以大大提高深度学习模型在GPU上的运行效率。

CUDA：让 PyTorch 能用 GPU。cuDNN：让 PyTorch 用 GPU 跑得更快。

因此，安装 PyTorch-GPU 前需要安装 CUDA 和 cuDNN 。

二、CUDA和cuDNN的安装

一般先nvidia-smi 查看cuda版本!!!

下载的CUDA ToolKit版本和pytorch，对应的cuda都不能高于CUDA版本。

CUDA安装

1、查看CUDA显卡驱动版本

win + r ，输入cmd 进入终端，输入指令查看CUDA版本，他表示英伟达驱动支持的cuda最高版本：

nvidia-smi

我的CUDA版本为12.5

2、下载CUDA

注意：下载的CUDA版本必须小于最高支持的版本号。我的CUDA版本为12.5，我要下载小于或者等于12.5都是可以的，我安装12.0。

下载地址：CUDA Toolkit Archive | NVIDIA 0eveloper

3、安装

下载好后，双击安装包进行安装。这个是临时路径，安装完后会自动删除。

选择“精简安装”。是精简。然后一直下一步。

查看是否安装成功，win+r ，cmd打开命令行，输入：

nvcc  -V

在此之前我安装的cuda12.3，精简安装时总是重启安装失败，就换了一个版本低的cuda12,这次成功。

cuDNN安装

1、下载

网址：cuDNN Archive | NVIDIA Developer

注意：CUDA的版本要与cuDNN版本能对应，CUDA12.0，cuDNN下载对应12.x就行。

下载时需要进行注册。

2、安装

解压下载的压缩包，将这几个文件夹复制到CUDA安装路径下。

我选了精简安装，即使自定义了安装位置，CUDA还是安装到了C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0 这里。

三、Pytorch安装

PyTorch 的安装通常需要以下核心包：

torch：PyTorch 的核心库。

torchvision：提供计算机视觉相关的数据集、模型和转换工具。

torchaudio：提供音频处理相关的工具。

1、创建虚拟环境

根据要下载的Pytorch版本选择python版本，以下有对照。目前python3.9适用性强。

（这个网址可以看torch版本和python的对应关系 https://github.com/pytorch/vision?tab=readme-ov-file#installation）

（1）打开Anaconda Prompt，创建虚拟环境。我的python为3.8


conda create -n 自己取的环境名字 python=版本号

输入y继续。

(2)激活进入环境 ,conda activate 环境名字

conda activate py

2、安装Pytorch

两种方式，①通过官网命令行安装 ②离线安装方案①速度可能比较慢

方案一通过官网命令行安装Pytorch

官网：Start Locally | PyTorch

pytorch历史版本：Previous PyTorch Versions | PyTorch

到官网Start Locally | PyTorch ，选择后复制最后一行的Pytorch安装指令，在Anaconda Prompt创建的虚拟环境中执行。注意：下面最新的稳定版本需要python3.9及以上版本。

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

但是！！！我的环境：python 3.8 cuda 12.0，不能下载最新的稳定版本pytorch。根据对应关系，去历史版本（Previous PyTorch Versions | PyTorch ）中下载pytorch2.4的版本。

在历史版本中发现pytorch2.4没有对应CUDA12.0版本的命令，我选择CUDA为12.1的。因为CUDA 的版本通常是向后兼容的，可以选择与你的 CUDA 版本最接近的 PyTorch 版本（pytorch对应cuda版本<= nvidia-smi查看的cuda版本），我选择 CUDA 12.1，因为它是与 CUDA 12.5 最接近的版本。

将命令在Anaconda Prompt的虚拟环境中执行。

conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 pytorch-cuda=12.1 -c pytorch -c nvidia

执行完成！时间很长！！

方案二离线方式安装（推荐）

环境：创建了python=3.9的虚拟环境，cuda为12.0，准备下载Pytorch2.4。

上面说了，PyTorch 的安装包括torch、torchvision、torchaudio，由于torch比较大下载慢，我们先下载torch离线安装，再在线安装torchvision、torchaudio。

1、下载torch.whl文件

方法①较快（推荐）

①方法1: 通过pip命令找到网址，在迅雷中快速下载。

在历史版本中（历史版本网址：Previous PyTorch Versions | PyTorch ），找到要下载的pytorch2.4版本，注意我们要使用pip命令，网页中往下翻就能找到！

没有对应的cuda12.0命令，因为cuda是向后兼容的，因此选择和cuda12.5相近的12.1版本命令使用。【（pytorch对应cuda版本<= nvidia-smi查看的cuda版本即12.1<12.5）】

pip install torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 --index-url https://download.pytorch.org/whl/cu121

将命令粘贴在Anaconda Prompt的虚拟环境中执行时，会有一个download下载链接,复制到迅雷下载中下载。

②方法2 在镜像文件中下载

镜像文件下载地址：https://download.pytorch.org/whl/torch/

注意：根据环境选择安装包。torch-2.4.0表示Pytorch为2.4的版本，cu124表示cuda12.4，cp39表示python3.9，win_amd64表示该版本适用于 64 位的 Windows 系统。

点击下载，个人觉得还是慢。

2、安装torch

无论哪种方法下载的.whl文件，下载后只需要进入虚拟环境安装即可，步骤如下。

进入虚拟环境：conda activate 虚拟环境名字

找到下载好的.whl文件所在位置（.whl下载路径中最好不要有中文），在命令行运行：

pip install D:\Google_Download\torch-2.4.0+cu121-cp39-cp39-win_amd64.whl

pip install .whl文件下载路径

3、安装`torchvision` 、torchaudio

这两个小，下载不会慢，可以直接在命令行执行pip命令。

找到历史版本中的命令【在方案二下载torch.whl文件的方法①中提到了】，命令如下：

pip install torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 --index-url https://download.pytorch.org/whl/cu121

其中，torch已经安装好，可以删除上述命令中的“torch==2.4.0 ”，在命令行执行以下命令。

pip install  torchvision==0.19.0 torchaudio==2.4.0 --index-url https://download.pytorch.org/whl/cu121

3、验证

（1）虚拟环境的命令行中输入 pip list ，查看所有的库

pip list

完成！

（2）虚拟环境的命令行中输入python，启动python环境；再输入以下代码，进行检测环境是否配置成功，出现true，成功！

python
import torch
torch.cuda.is_available()

参考：

【1 pytorch安装含离线和在线安装】

PyTorch安装教程（GPU版）_pytorch gpu安装-CSDN博客

【2 安装详细】

2024小白安装Pytorch-GPU版（Anaconda，CUDA，cuDNN讲解）_pytorch安装-CSDN博客

超详细 CUDA 安装与卸载过程（图文教程）_cuda安装-CSDN博客

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

如果你搞创新，AI可能非常不靠谱：用得好是杠杆，用错了是幻觉

摘要：AI在创新应用中常因数据错配、目标偏差等五大根因导致不可靠。本文提出从数据到治理的五层可靠性框架，强调将AI从"创意生成器"升级为"证据引擎"，通过因果推断、语境增强和多维评估（离线/在线/反事实）确保创新质量。关键实践包括问题定义先行、RAG检索增强、红队测试等，并配套决策流程图和治理清单，帮助规避流畅表达陷阱，使AI成为可控的创新杠杆。关键词：A