保姆级下载安装GPU(CUDA)版本PyTorch

  PyTorch网上有很多安装教程，但是我尝试很多种都没有成功安装，下面介绍个人成功的方法。

目录

1、查看显卡驱动版本

2、前往PyTorch官网下载PyTorch

3、下载对应PyTorch包到本地

4、总结

---

1、查看显卡驱动版本

  打开命令行，输入：

nvidia-smi

  确定自己显卡驱动支持的最高CUDA版本，如图我的最高支持CUDA12.2版本，如果需要下载更高版本的CUDA，可以更新显卡驱动，我的是537.13版本驱动，更新之后显卡玩游戏可能会变卡，尽量不动它。

2、前往PyTorch官网下载PyTorch

  PyTorch官网下载链接：Start Locally | PyTorch

  查看当前支持的计算平台，显示有CUDA 11.8版本和CUDA 12.1版本，最好选择比较新的版本，第一步的时候显示我的显卡驱动最高支持CUDA 12.2版本，所以我选择低于12.2且较新的12.1版本。注意不要使用下面的命令行直接输入下载，特别是conda下载，很大概率即使选择了CUDA版本还是会下载CPU版本的PyTorch！！！

  直接输入conda命令的话会发现，当要输入y/n的时候，先不要无脑输入y，翻上去可以发现下载的居然是CPU版本的，为了避免下载版本错误以及下载速度慢的问题，我认为最好的解决方法是先本地下载再安装。

我们点击进入Previous PyTorch Versions以往版本的PyTorch下载页面。Previous PyTorch Versions | PyTorch

找到自己需要的版本，我按照的版本是v2.1.0的版本

看到CUDA 12.1版本的下面的命令，即

conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=12.1 -c pytorch -c nvidia

注意！！！这时候也不要使用这个命令直接输入下载，我们主要是查看pytorch、torchvision和torchaudio三个包的对应的版本号，便于我们本地下载时选择正确的版本，因为版本不兼容可能会导致一些问题。可以发现我们要下载的版本有pytorch==2.1.0、torchvision==0.16.0、torchaudio==2.1.0，然后我们去下载三个包的对应版本到本地。

3、下载对应PyTorch包到本地

继续去官网下载地址：Start Locally | PyTorch

选择pip方式下载

查看后面的下载命令的目标网址

https://download.pytorch.org/whl/cu121

复制后面的网址前往下载仓库

进入下载仓库后找到torch、torchaudio、torchvision。

找到对应版本。下载速度慢建议使用迅雷下载，很快！！下载时复制下载链接粘贴到迅雷！！！

torch-2.1.0+cu121-cp39-cp39-win_amd64.whl,cu121表示CUDA版本12.1，cp表示我的python为3.9版本，win表示是Windows系统。

torchaudio-2.1.0+cu121-cp39-cp39-win_amd64.whl

torchvision-0.16.0+cu121-cp39-cp39-win_amd64.whl

全部下载后使用pip命令进行安装，如果使用的是Anaconda可以去Anaconda Prompt里执行

如果没有Anaconda直接去cmd里执行就行了。

pip install E:\torch-2.1.0+cu121-cp39-cp39-win_amd64.whl

pip install E:\torchaudio-2.1.0+cu121-cp39-cp39-win_amd64.whl

pip install E:\torchvision-0.16.0+cu121-cp39-cp39-win_amd64.whl

改为自己下载包的路径即可。安装后我们输入命令pip list或者conda list可以发现这些包都成功导入了，而且是CUDA版本的包！！！

我们测试一下是否成功安装，进入python环境

依次输入，可以发现成功安装CUDA12.1的PyTorch！！！

import torch
 
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.version.cuda)

4、总结

最后我发现我并没安装CUDA和cuDNN，但是依然可以在代码中使用PyTorch进行训练，我实验发现安装了CUDA和cuDNN，居然和没安装CUDA、cuDNN居然是一样的，而且训练速度一样，也都能正常训练。使用nvcc -V命令检查

表示我并没有安装CUDA，但是依然能训练，而且和安装了CUDA的速度基本一样，所以我直接将CUDA卸载了，毕竟这东西占空间。最后我想说，英伟达就是一坨大变。