Pytorch-GPU环境搭建（win11+RTX3060+CUDA11.5+CuDnn8.3.2）

注意：30系列显卡只支持CUDA11.0及以上版本加速，因此本文CUDA选择v11.5

软件包搭配：win11  +  RTX3060  +  CUDA=11.5  +  CuDnn=8.3.2  +  python=3.10.14  +  pytorch=1.12.1

0. CUDA及CuDNN安装省略

1. 先创建一个环境

conda create -n Pytorch_0  python=3.6

创建成功，如下：

2. 安装对应版本的Pytorch，代码：

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

结果显示，Python版本不合适（本版本的Pytorch，需要python=3.10-3.11版本之间）

重新安装其他版本的python

conda install python=3.10

过程如下：

更新python版本之后，再次安装：

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

结果显示安装成功：

3. 测试pytorch是否安装成功

在Pycharm中应用此环境

测试代码：

import torch
flag = torch.cuda.is_available()
if flag:
    print("CUDA可使用")
else:
    print("CUDA不可用")
ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print("驱动为：",device)
print("GPU型号： ",torch.cuda.get_device_name(0))

结果显示，pytorch可以正常使用：

4. 测试性能

import time
import torch

# 测试gpu计算耗时
A = torch.ones(5000, 5000).to('cuda')
B = torch.ones(5000, 5000).to('cuda')
startTime2 = time.time()
for i in range(100):
    C = torch.matmul(A, B)
endTime2 = time.time()
print('gpu计算总时长:', round((endTime2 - startTime2) * 1000, 2), 'ms')

# 测试cpu计算耗时
A = torch.ones(5000, 5000)
B = torch.ones(5000, 5000)
startTime1 = time.time()
for i in range(100):
    C = torch.matmul(A, B)
endTime1 = time.time()
print('cpu计算总时长:', round((endTime1 - startTime1) * 1000, 2), 'ms')

结果显示：

证明通过GPU计算实现加速。