Anaconda下安装gpu版本的pytorch

在anaconda下载的话无需额外在官网下载cuda和cuDNN，annaconda会自动下载。

1.查看自己电脑的支持的CUDA版本。命令行nvidia-smi查看。

2.打开Start Locally | PyTorch，选择需要的版本，CUDA版本需要小于等于电脑支持的版本。

3.复制第二步给的命令。

4.打开anaconda终端，创建一个虚拟环境。conda create -n 环境名字 python=版本

conda create -n test python=3.8

5. 将当前虚拟环境切换到刚才创建的环境下。

conda activate test

6.添加镜像源（加快下载速度）

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --set show_channel_urls yes

7.输入第三步复制的命令。

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

8.验证是否成功。首先输入python命令切换到python环境，然后执行

>>> import torch
>>> torch.cuda.is_available()

如果输出true，则证明安装成功。

9.验证是否自动安装cuDNN和CUDA

import torch
print(torch.backends.cudnn.enabled)
#返回True表示成功

import torch
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
#返回cuda表示成功
#或者
print(torch.cuda.is_available())
#返回True表示成功

另外，GPU、Cuda Driver和 Cuda Toolkit的图解关系

Nvidia Driver驱动：操作系统和硬件GPU进行沟通交互的程序，没这个驱动，GPU就是一个摆设，调用不起来，所以得先装这个。装了这个电脑就能用GPU了，但是深度学习搞不定。
CUDA Toolkit工具包：是基于驱动程序，用来实现GPU并行计算和加速深度学习的软件包。通过这个软件包，调用驱动，实现更加高级的功能。
cudnn深度学习加速库：是专门针对深度学习的GPU加速库，如果你要使用深度学习框架，这个是必需的。虽然也是CUDA Toolkit的组件，但是官方的下载包里面并没有，需要自己额外下载。
pytorch，tensorflow深度学习框架：CUDA Toolkit并没有提供深度学习的框架，只是提供了如何高效调用GPU的软件库。如果你要创建深度学习模型，进行训练。还是要使用深度学习框架。
Nvidia官方下载的CUDA：官方下载的CUDA Toolkit是包含了驱动的，并且联合到一块是称为CUDA的。
conda下载的CUDA：是不包含驱动的，但是高版本的驱动，是向前兼容的，你可以下载相匹配的cuda toolkit，构成不同版本的cuda。

（相当于需要运行gpu版本的pytorch，需要Nvidia驱动、cuda（coda toolkit），cudnn，但是Nvidia显卡驱动一般电脑已经有了，所以不需要额外下载。然后根据这个方法下载，annaconda会自动下载cuda，cudnn，所以就不需要额外的操作了）