目录

一、为什么需要 NVIDIA 显卡和 CUDA？

二、安装的每一项及其作用

(1) NVIDIA 显卡驱动（NVIDIA Driver）

(2) CUDA Toolkit

(3) cuDNN

(4) PyTorch（GPU 版本）

 三、注意事项

 四、常见问题

---

一、为什么需要 NVIDIA 显卡和 CUDA？

• NVIDIA 显卡：PyTorch 的 GPU 加速功能依赖 NVIDIA 显卡的并行计算架构（CUDA 核心），只有支持 CUDA 的 NVIDIA 显卡才能启用 GPU 加速。

• CUDA：是 NVIDIA 开发的并行计算平台和编程模型，允许开发者直接调用 GPU 的计算能力加速任务（如矩阵运算）。

• cuDNN：是 NVIDIA 针对深度学习优化的加速库，提供高效实现的神经网络层（如卷积、池化等）。

二、安装的每一项及其作用

以下是安装 PyTorch GPU 版本所需的主要组件及其作用：

(1) NVIDIA 显卡驱动（NVIDIA Driver）

• 作用：让操作系统识别并管理 NVIDIA 显卡，提供基础的 GPU 功能支持。

• 安装方式：从 NVIDIA 官网 下载对应驱动。

• 验证：win+R，输入cmd打开命令框，运行 nvidia-smi，若显示 GPU 信息则成功。
  
  
  注意CUDA版本号，我是12.3，你不能下载超过这个版本的CUDA。

---

(2) CUDA Toolkit

• 作用：提供编译和运行 GPU 程序的工具链（如 nvcc 编译器）和基础库。

• 安装方式：

  • 从 CUDA Toolkit 官网 下载对应版本。
    
    以往版本下拉找Resources：
    

  • 安装完成后，将 CUDA 路径添加到环境变量：

    
    

• 验证：win+R，输入cmd打开命令框，运行 nvcc --version 查看 CUDA 版本。
  

---

(3) cuDNN

• 作用：针对深度学习的加速库，优化了卷积、循环层等操作。

• 安装方式：

  1. 从 cuDNN 官网 下载与 CUDA 版本匹配的包，如果打不开需科学上网。打开后根据CUDA版本下载CUDNN。

  2. 解压并复制CUDNN中三个项目到CUDA文件里覆盖CUDA原有的这三个文件。

• 验证：无直接命令，需通过 PyTorch 测试。

---

(4) PyTorch（GPU 版本）

---

       四、常见问题

• 作用：深度学习框架，利用 CUDA 和 cuDNN 加速计算。

• 安装方式：在anaconda中创建专属于pytorch的虚拟环境（这一步这篇文章没体现，各位即将年入百万的宝宝们应该都会哦），激活pytorch后 
  使用 conda 或 pip 安装时指定 CUDA 版本：
  pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
  安装过程可能很久，你可以使用国内镜像加速！！！
  之后输入conda list检查，像这样的就是GPU版。
  

• 验证：import torch print(torch.cuda.is_available()) # 应输出 True print(torch.__version__) # 查看 PyTorch 版本
  
   

  三、注意事项

• 无 NVIDIA 显卡时：只能安装 PyTorch CPU 版本，无法使用 GPU 加速。

• 版本冲突：确保 CUDA Toolkit、cuDNN 和 PyTorch 版本严格匹配。

• 虚拟环境：建议使用 conda 或 venv 隔离环境，避免依赖冲突。

• torch.cuda.is_available() 返回 False：
  

  • 驱动未安装或版本不匹配。

  • CUDA 或 cuDNN 未正确配置。

• CUDA 版本与 PyTorch 不兼容：从 PyTorch 官网 查找正确的安装命令。
  
  有任何问题联系我！友友们一起进步。