0. 前言

Pytorch和CUDA一般来说都是深度学习必不可少的工具，前者为目前主流的深度学习框架，后者用于调用GPU来加速模型训练和推理。

目前网上大部分博客的安装流程如下：

1. 查看电脑支持的CUDA最高版本
2. 安装NVIDIA官网的cuda toolkit并配置环境变量
3. 安装cudnn（为深度学习计算设计的软件库）
4. 安装Pytorch的GPU版本

一看就懂的 CUDA安装教程及Pytorch GPU版本安装教程

上述文章是标准的安装流程，正常情况下按照安装上述流程安装即可。

本文的主要目的是给大家提供一个新的安装思路，无需繁琐的cuda安装和环境变量配置。

1. Pytorch与cuda toolkit

首先我们需要明白什么是CUDA，CUDA Toolkit以及cudnn，可以参考以下文章：

一文讲清楚CUDA、CUDA toolkit、CUDNN、NVCC关系

文章中已经对它们之间的关系解释的十分清楚了，这里主要解释一下cuda toolkit：

• CUDA Toolkit (Nvidia)： CUDA完整的工具安装包，其中提供了 Nvidia 驱动程序、开发 CUDA 程序相关的开发工具包等可供安装的选项。包括 CUDA 程序的编译器、IDE、调试器等，CUDA 程序所对应的各式库文件以及它们的头文件。
• CUDA Toolkit (Pytorch)： CUDA不完整的工具安装包，其主要包含在使用 CUDA 相关的功能时所依赖的动态链接库。不会安装驱动程

大部分人在安装cuda时，实际上安装的都是Nvidia官网的cuda toolkit，但可能有人注意到了，在安装Pytorch的GPU版本时，会有类似如下命令：

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch

可以看到安装包中有一个cuda toolkit，且下载源为pytorch，此时安装的cuda toolkit就是上述所谓的Pytorch版本，主要包含pytorch用于调用GPU的一些动态链接库。

对于 Pytorch 之类的深度学习框架而言，其在大多数需要使用 GPU 的情况中只需要使用 CUDA 的动态链接库支持程序的运行( Pytorch 本身与 CUDA 相关的部分是提前编译好的 )，就像常见的可执行程序一样，不需要重新进行编译过程，只需要其所依赖的动态链接库存在即可正常运行。

看到这里的朋友可能会发现一个问题：既然安装Pytorch的GPU版本会同时安装cuda toolkit，虽然它不完整，但已经能满足Pytorch的正常调用GPU进行加速的需求了，那么是不是可以仅仅安装Pytorch的GPU版本就可以呢？

这就是本文所要介绍的安装方式，也是为什么将CUDA安装和Pytorch安装放在同一节的原因。

2. Pytorch的GPU版本安装

2.1 安装准备

首先需要安装显卡驱动，这部分网上其他部分已有详细教程，不做详细解释，驱动安装成功后输入nvidia-smi，显示信息类似下图：

nvidia-smi显示的信息要关注两个部分，一个是Driver Version（即驱动程序版本，代表已安装的驱动程序版本），另一个是CUDA Version（代表所安装的驱动程序能支持的CUDA最大版本，而不是已安装的CUDA的版本），也就是说后续安装过程中只要CUDA版本低于CUDA Verison即可。

2.2 官网安装Pytorch

Pytorch官网地址：Pytorch官网

下图为选择Pytorch版本和对应CUDA版本的页面，Previous versions of PyTorch为旧版本的Pytorch，可以根据需要和显卡所支持的CUDA版本进行安装。

一般有两种方式安装：

• Conda—通过conda命令进行安装

• Wheel—通过pip命令进行安装

注意事项：

• pip安装时不能将https://download.pytorch.org/whl/cu121直接替换成清华源的路径去安装，但可以添加上清华源的路径用于加速其它Pytorch所需依赖包的安装，安装示例如下：

  pip install torch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1 --index-url https://download.pytorch.org/whl/cu121 -i https://pypi.tuna.tsinghua.edu.cn/simple/
  

• 可以通过更换阿里源加速下载，这里以pytorch=1.11.0，cuda=11.3版本为例
  官方命令：

  pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113
  

  换源后：

  pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 -f https://mirrors.aliyun.com/pytorch-wheels/cu113
  

  主要区别在于下载链接，注意这里链接最后的cu113代表cuda版本，需要根据需要更换版本，更换前提是pytorch和cuda版本对应

2.3 pytorch调用cuda测试

安装成功后在终端输入如下命令检验：

# 进入Python的交互式页面
(Pytorch_test) C:\Users\admin>python
Python 3.8.20 (default, Oct  3 2024, 15:19:54) [MSC v.1929 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
# 导入torch并验证cuda是否可用
>>> import torch
>>> torch.version.cuda
'11.3'
>>> torch.cuda.is_available()
True
>>> torch.backends.cudnn.version()
8302

可以看到torch.cuda.is_available()输出为True时，说明安装成功，此时Pytorch可以正常调用cuda了，torch.backends.cudnn.version()输出cudnn版本号，说明cudnn也安装成功。

3. 相关问题

3.1 conda安装和wheel安装的区别

首先来看两种方式的安装命令：

# conda安装
conda install pytorch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 cudatoolkit=11.3 -c pytorch

# wheel安装
pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu113

conda安装是从pytorch源里面找到满足要求的库，并解决库之间的依赖关系进行安装，而wheel通过pip命令进行安装，wheel是一个打包的集合，https://download.pytorch.org/whl/cu113就是所安装的wheel文件的下载地址，当网速堪忧或者需要在离线状态下安装时，可以现在网速较好的设备上将wheel文件下载到本地再拷贝到需要安装的设备上，用pip命令进行安装。

这里需要注意的是，conda安装后是能通过conda list查看到安装的cuda toolkit和对应的版本，而通过pip命令安装wheel文件后conda list不会有cuda toolkit，而是torch的版本号为1.12.0+cu113，可能原因是Pytorch将torch和cuda toolkit进行了打包封装成了wheel文件，所以下载的torch实质是torch+cuda toolkit，而conda是分开安装torch和cuda toolkit的，这也是为什么使用wheel安装时下载文件大小明显大于conda安装方式的原因。

3.2 新版本的安装命令

新版本的安装命令如下：

conda install pytorch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0  pytorch-cuda=11.8 -c pytorch -c nvidia

可以看到与旧版本安装方式不同的点在于增加了-c nvidia，也就是说此时的cuda toolkit会从nvidia源进行下载，而旧版本的下载源是pytorch源。这里不做测试，留给读者去对比两种方式安装的cuda toolkit有什么不同。

3.3 实际项目安装torch相关库

有过深度学习相关项目经验的同学可以发现，一般情况项目会提供一个requirements.txt的文件用于安装相关依赖库，其中会对torch的版本进行一些限制，例如大于某个版本或者限制为具体版本，一般通过如下命令进行安装项目所需依赖

pip -r requirements.txt

但是此时安装torch就是不带cuda toolkit的，可以先将requirements.txt中torch相关的(torchvison, torchaudio)先注释掉，后面单独安装这些库即可。

4. 总结

本文的安装方式相当于将cuda安装在虚拟环境中而不是本地，不需要配置环境变量即可使用cuda，满足Pytorch调用GPU的大部分情况，而对于需要对cuda相关程序进行编译时，则需要安装Nvidia官网的完整cuda toolkit。同时由于没有配置系统的环境变量，故不能在cmd终端使用相关命令，例如nvcc -V。

深度学习环境搭建分为以下几个步骤：
1.Anaconda/Miniconda安装，创建项目虚拟环境

# 创建项目虚拟环境
conda create -n env_name python=3.x
# 进入环境
conda activate env_name

2.安装Pycharm，配置已创建的Python解释器，导入项目

3 安装项目所需依赖

# 将requirements.txt中torch相关库注释后再安装其他依赖
pip install -r requirements.txt

4.安装满足requirements.txt要求的torch相关库的GPU版本(带有cuda和cudnn的版本)

# 安装torch相关库
pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu113

上述为搭建环境的基本逻辑，对于实际项目要具体情况具体分析。

参考文章：

一看就懂的 CUDA安装教程及Pytorch GPU版本安装教程

一文讲清楚CUDA、CUDA toolkit、CUDNN、NVCC关系

Pytorch 使用不同版本的 cuda - yhjoker - 博客园

NVIDIA CUDA Toolkit 与 PyTorch 安装中的 CUDA 的区别

一文搞懂PyTorch与CUDA那些事

安装pytorch时用wheel和用conda安装有什么区别