GPU版本的pytorch环境配置详细教程(从零开始安装)

仰望云渚

于 2025-08-22 17:11:04 发布

阅读量2.6k

点赞数 27

CC 4.0 BY-SA版权

文章标签： pytorch 人工智能 python 深度学习 conda

本文链接：https://blog.csdn.net/2301_80350862/article/details/150612499

1 Pytorch介绍

PyTorch 是一种用于构建深度学习模型的功能完备框架，以出色的灵活性和易用性著称。是一种通常用于图像识别和语言处理等应用程序的机器学习。使用 Python 编写，因此对于大多数机器学习开发者而言，学习和使用起来相对简单。无论是学术研究、工业应用还是教育，PyTorch 都是一个值得学习和使用的工具。

Pytorch的几个主要特性:

PyTorch 使用动态计算图，这意味着图的结构可以在运行时动态改变。这使得调试和实验变得更加容易，因为你可以实时看到计算图的变化。
PyTorch完全支持GPU，并且使用反向模式自动微分技术，通过 torch.autograd
模块实现。这使得实现和训练神经网络变得更加简单，因为你不需要手动计算梯度。
PyTorc生态系统还包括许多工具和库，如 torchvision（用于计算机视觉）、torchaudio（用于音频处理）和torchtext（用于自然语言处理）。这些库提供了预训练模型和数据加载工具，加速了开发过程。

2 Miniconda安装

在安装pytorch之前需要先创建conda环境，方便后续在不同的conda环境中安装不同版本的pytorch

2.1 Miniconda介绍

Miniconda是一个更小的Anaconda发行版（Anaconda是一个包含大量预装数据科学和机器学习库的Python发行版），它只包含conda包管理器和Python以及其必要的库。Miniconda的目的是提供一个更轻量级的选项来安装和运行conda环境，同时保持Anaconda的核心功能。Miniconda可以安装在任何操作系统上，并且可以用于创建轻量级的Python环境，适合那些需要定制环境，不需要Anaconda完整发行版中所有组件的用户。使用Miniconda，用户可以轻松地安装、更新和管理Python包，以及创建隔离的Python环境。

2.2 Miniconda安装教程

搜索Miniconda或点击下面的链接，进入Miniconda官网：
Miniconda — Anaconda documentation
下面以Windows系统为例，安装步骤如下:
1、下载对应的Miniconda版本
在这里插入图片描述
2、运行安装程序

！！！选择安装路径(推荐安装到D盘或者E盘)

！！！勾选添加到环境变量

3、完成安装

2.3 Miniconda环境操作

2.3.1 运行Miniconda

1、按win键，点击全部
在这里插入图片描述
2、打开Miniconda下的Anaconda Prompt

3、环境操作都在该终端下运行

2.3.2 换源

1、找到配置文件

查看C:\Users\Username（你的用户名称）路径下是否存在.condarc文件，如果没有在Anaconda Prompt的终端下输入：

conda config --set show_channel_urls yes

会在用户名路径中生成.condarc文件，内容如下：
在这里插入图片描述
2、修改镜像源
将文件内容替换为:

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2

上面是更换为清华镜像源，也可以搜索其他镜像源更换

3、环境操作与anaconda相同

列出所有虚拟环境
conda env list

创建虚拟环境
conda create -n env_name(虚拟环境名称) python=3.9（python版本）

重命名某个虚拟环境
conda rename -n 现在的名称  新的名称

激活虚拟环境
activate your_env_name(虚拟环境名称)

退出虚拟环境
conda deactivate

删除虚拟环境
conda env remove -n 虚拟环境的名称

查询虚拟环境中安装的包
conda list

从虚拟环境中删除包
conda remove package_name

更新已下载的包
pip install --upgrade pyarrow

中断下载
Ctrl+c

安装项目需要的环境
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple 

国内的pip源，如下：

阿里云 http://mirrors.aliyun.com/pypi/simple/

中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/

豆瓣(douban) http://pypi.douban.com/simple/

清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/

中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/

3 CUDA安装

3.1 CUDA toolkit和cuDNN的作用

CUDA Toolkit和cuDNN是NVIDIA提供的两个重要软件组件，它们在GPU计算和深度学习中扮演着关键角色。

CUDA Toolkit是一个用于开发GPU加速应用程序的综合工具包。它允许开发者使用C、C++、Fortran等语言编写代码，并通过CUDA编译器将其编译为GPU可执行代码。
cuDNN是NVIDIA为深度学习优化的库，在CUDA之上运行,专门为深度学习设计,提供了高效实现的深度神经网络常用操作，如卷积层、池化层、激活函数等。
兼容性：需要与特定版本的CUDA Toolkit配合使用，确保深度学习框架（如TensorFlow、PyTorch）能够有效利用GPU加速。
总结：
CUDA Toolkit是开发GPU加速应用的基础，提供了底层的编程接口和工具。cuDNN是构建在CUDA之上的优化库，专注于深度学习的计算需求。
安装深度学习框架时，通常需要先安装兼容的CUDA Toolkit，然后再安装cuDNN，以实现GPU加速功能。通过结合使用CUDA Toolkit和cuDNN，开发者可以显著提升深度学习模型的训练和推理效率。

3.2 查看显卡支持的CUDA版本

3.2.1 方法一：终端查看

同时点击win+r，输入cmd点击“确定”，进入终端窗口，输入nvidia-smi查看CUDA版本：
在这里插入图片描述

3.2.1 方法二：NVIDIA控制面板查看

点击win键，搜索NVIDIA
在这里插入图片描述
点击NVIDIA Control Panel，依次点击系统信息，组件。

查看版本

！！！此处显示的CUDA版本并不意味着你使用显卡本身“最高支持”的CUDA版本，仅仅是你当前安装的驱动所支持的 CUDA版本。如果你发觉该版本似乎太低，你可以在下载适用于你显卡的最新版本的驱动程序。

3.3 下载CUDA toolkit

1、进入CUDA官网

搜索CUDA Toolkit Archive 页面或直接点击下面的链接：

CUDA Toolkit Archive | NVIDIA Developer
在这里插入图片描述
2、下载历史版本

一般来说，CUDA版本可以向下兼容，所以可以选择下载与自己CUDA版本一样或者更低的tooolkit版本，但是注意后面下载cudnn版本的时候要和自己下载的toolkit版本对应。

！！！
如果需要编译CUDA代码或开发CUDA应用程序：可能需要安装Visual Studio或Visual Studio Build Tools
如果只是使用PyTorch进行GPU训练，并且是通过pip安装预编译的PyTorch包，不需要下载和安装Visual Studio
3、下载对应的安装包
比如这里选择的是windows操作系统，win11版本的。
在这里插入图片描述
4、下载安装包后运行安装
运行安装程序，选择安装路径(D盘或E盘)

检查系统兼容性，要注意安装的cuda版本要小于等于电脑的cuda版本

同意并继续

这里选择自定义安装

组件选择CUDA，点击“+”号展开CUDA里的详细组件
在这里插入图片描述
！！！这里要把Visual Studio Integration给取消掉

选择安装位置

开始安装

安装完成

5、检验是否安装成功
打开cmd，输入nvcc -V

出现了你安装的CUDA的版本信息，说明安装成功了。
同时也可以查询一下本机的gpu设备，测试一下带宽：定位安装目录的demo_suite文件夹（安装文件路径/NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite）
点击win+R，输入cmd打开终端
Cd 到该目录下： Cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite
在这里插入图片描述
输入文件名运行文件（包括后缀.exe）

	./deviceQuery.exe
	./bandwidthTest.exe

在这里插入图片描述

出现Result = PASS说明安装成功了

3.4 下载cudnn

在NVIDIA官方网站下载安装包或者之间点击下面的链接：

https://developer.nvidia.com/rdp/cudnn-archive

如果你没有NVIDIA开发者账号的话，就按照提示注册一个就好（qq邮箱就行），再登录即可下载了。

需要下载与CUDA版本相同的cudnn版本

Cuda下载的12.X版本的就下载12.X

Cuda下载的11.X版本的就下载11.X

cuDNN版本不需要选择最新的，选择前几个版本的就行。

点击windosw版本的开始下载
在这里插入图片描述
下载下来是个压缩包（名称与这个类似cudnn-windows-x86_64-8.4.0.27_cuda11.6-archive.zip）直接解压缩，解压完是如下的文件夹：

将bin、include、lib三个文件夹里的文件复制到cuda toolkit文件夹下的同名文件里
在这里插入图片描述
cuDNN安装完成

4 Pytorch安装

4.1 查找对应的版本号

查看电脑支持的最高CUDA版本，与上面3.2的查看方法相同，即在cmd终端输入nvidia-smi或者打开NVIDIA Control Panel

4.2 下载离线的Pytorch

打开Pytorch的离线下载资源网站:

https://download.pytorch.org/whl/torch_stable.html

会看到如下界面 :
在这里插入图片描述
首先确定你要安装的torch版本和torch vision版本
搜索pytorch或者点击下面的链接
https://pytorch.org/
打开pytorch官网:

下拉点击历史版本的pytorch

点击Previous versions of Pytorch
找一个支持你电脑CUDA版本的pytorch版本，一般不要下载最新的pytorch版本
在这里插入图片描述
这里以V2.3.1,CUDA版本12.1为例下载
找到该界面，确定CUDA 12.1的pytorch版本为2.3.1，torchvision版本为0.18.1

确定自己conda新建的虚拟环境的python版本:
打开Anaconda Prompt，输入activate name（你的环境名称）激活环境
输入python --version查看当前环境下的python版本
在这里插入图片描述
比如我这里的python版本是3.10版本。
如果还没有创建虚拟环境，可以在（base）环境下输入conda create -n env_name(虚拟环境名称) python=3.10（python版本）-y来创建一个虚拟环境

比如这里就创建了一个名为pytorch_cp310,python版本为3.10的环境。
在(base)环境下输入conda env list可以查看已经创建的环境名称。
在这里插入图片描述
下面以CUDA版本12.1，python3.10版本为例下载对应的torch版本

回到刚才的离线下载网站。
https://download.pytorch.org/whl/torch_stable.html
找到对应的torch版本，比如例子对应的是 cu121，torch2.3.1，cp310的windows版本。
在这里插入图片描述

点击就会开始下载
再找到对应的torchvision版本，例子对应的是cu121，torchvision0.18.1，cp310的windows版本。

点击就会开始下载
下载完成后会有这样的两个文件
可以把这两个文件单独在D盘或E盘建一个文件夹保存，方便后面在conda环境下安装。
在这里插入图片描述

4.3 在conda环境中安装Pytorch

打开Anaconda Prompt输入activate name(自己创建环境的名称)激活环境
在这里插入图片描述
输入cd E:\requirements\torch（你的保存下载的两个文件的路径）进入到该路径。

！！！如果输入cd 路径没有反应，可以先输入D:或者E:进入到根路径下再输入上面的命令进入保存路径。
在这里插入图片描述
复制文件名称(带上.whl的后缀)，在命令窗口输入开始安装

pip install torch-2.3.1+cu121-cp310-cp310-win_amd64.whl

install 后面是你下载的torch文件的名称，开始安装torch。
同样的方法下载torchvision，在命令窗口输入

pip install torchvision-0.18.1+cu121-cp310-cp310-win_amd64.whl

install 后面是你下载的torchvison文件的名称，开始安装torchvision。

下载完成后，验证是否安装成功，激活安装pytorch的环境，在该环境下输入 conda list，有torch和torchvision，且后面显示cuda版本表示安装成功。
在这里插入图片描述
检验是否能够使用，同样激活安装pytorch的环境，在该环境下依次输入

python
import torch
torch.cuda.is_available()

显示True表示可用
在这里插入图片描述

5 使用配置好的环境（PyCharm）

打开pycharm，点击右下角的环境配置-添加新的解释器-添加本地解释器
在这里插入图片描述
选择Conda环境

选择安装的miniconda的conda.exe文件（一般是在Miniconda\Scripts\路径下）

点击加载环境

点击使用现有环境，选择自己配置好的环境

点击确定，即可在右下角切换自己配置的环境
在这里插入图片描述
到此就可以使用GPU版本的pytorch进行深度学习的训练了，快去试试吧

6 问题汇总

6.1 torch的cpu和gpu版本选择?

CPU 版本:如果你没有 NVIDIA GPU 或不需要 GPU 加速，选择 CPU 版本。
GPU 版本:如果你有 NVIDIA GPU 并且需要加速计算，选择 GPU 版本。
CPU 版本的 PyTorch 适用于没有 GPU 或不需要 GPU 加速的场景。它可以在任何机器上运行，但通常比 GPU 版本慢。

6.2 在miniconda prompt中输入cd 路径没有反应？

需要先输入D: 或 E: 进入到磁盘的根目录下再输出cd 路径进入到指定的路径

6.3 C:\Users\Username（你的用户名称）路径下不存在.condarc文件?

先检查路径有没有错误。如果没有错误，可以在miniconda prompt 中输入

conda config --set show_channel_urls yes

会生成.condarc文件

6.4 下载CUDA时提示需要安装Visual Studio？

我们只使用PyTorch进行GPU训练，并且是通过pip下载的，不需要安装Visual Studio。提示安装，可能是因为在安装CUDA时勾选了Visual Studio，在安装时取消勾选就行。
如果后续需要安装Visual Studio，再单独安装即可。