全网最详细的安装pytorch GPU方法，一次安装成功！！包括安装失败后的处理方法！

---

前提—查看是否有NVIDIV英伟达显卡【笑哭】

在控制面板打开设备管理器

一、查看电脑的显卡驱动版本

方法一：在cmd命令窗口中输入nvidia-smi，可以发现版本为12.2

方法2：点击NVIDIA控制面板→系统信息

二、安装CUDA

建议电脑显卡驱动版本**>=**安装的CUDA版本

方法1： 在pytorch官网https://pytorch.org/，直接复制命令进行安装

在命令窗口中直接输入命令--回车安装

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

如果安装失败，是因为网速不够快，建议用手机热点或者末尾加一个镜像源

方法2：从官网下载对应版本的CUDA版本

官网链接
链接: https://developer.nvidia.com/cuda-toolkit-archive

由于我的显卡版本是12.2，我只要安装小于等于12.2均可以，我安装**11.8**

可以修改安装路径，因为文件较大，我没有使用默认的路径

下载完成开始安装，可以安装在自定义的目录下

同意继续

选择推荐的精简

点就完事！！

开始安装！！

查看是否安装成功
在命令窗口中输入nvcc -V 进行检查

nvcc  -V

可以看到我们安装成功

三，安装cuDNN，需要注册（可安装可不安装，因为cuDNN就是个加速器）

下载解压后的文件

将解压文件复制到CUDA安装路径下 ！！！就已经安装完成！！

四，pytorch-GPU

4.1 新建虚拟环境（推荐）

若不想新建，也可以在以前的环境中安装，请跳到下一步4.2！！
因为CUDA 10.1 支持 Python 3.5 - 3.8，而 CUDA 11.0 则支持 Python 3.5 - 3.9，所以我安装python3.9

conda create -n pytorch-gpu python==3.9

4.2 在官网下载pytorch

官网链接 链接: https://pytorch.org/

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple

我我在最后加了镜像源下载，否则太慢，容易下载失败。

五，测试pytorch gpu是否可用

torch.cuda.is_available() 为True则GPU可用，False表示不可用

import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())  #输出为True，则安装无误

非常好用！！！

六，补充（针对安装失败的情况）

有粉丝私聊我，说他安装失败，我又想了一个办法！

6.1 去conda清华源找到对应的pytorch、torchvision、torchaudio的版本，我的版本如下：

清华大学开源软件镜像站链接如下：
链接: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

6.2 在对应的虚拟环境下安装这三个包

conda install --offline pytorch-2.1.1-py3.9_cuda11.8_cudnn8_0.tar.bz2

conda install --offline torchaudio-2.1.1-py39_cu118.tar.bz2

conda install --offline torchvision-0.16.1-py39_cu118.tar.bz2

---

总结

PyTorch的GPU版本利用了NVIDIA的CUDA技术，使得深度学习计算能够高效地在GPU上运行。使用GPU来执行深度学习计算可以显著加速计算，从而减少训练和推理时间。

CUDA是NVIDIA推出的一种通用并行计算架构，可以使GPU执行通用计算任务，而不仅仅是图形处理。在PyTorch中，可以使用CUDA来利用NVIDIA GPU的并行计算能力加速模型训练和推理。

cuDNN是NVIDIA专门为深度学习模型设计的一个库，它提供了高效的卷积操作和其他计算操作，可以进一步加速深度学习任务。在PyTorch中使用cuDNN来优化深度学习模型的性能。

总的来说，PyTorch的GPU版本通过与NVIDIA的CUDA技术和cuDNN库的深度集成，为深度学习研究和应用提供了强大、灵活且高效的计算能力。