干货分享|PyTorch 2.0 GPU开发环境搭建

在搭建PyTorch深度学习开发环境时，Python运行环境安装完毕后，接下来的重点就是安装PyTorch 2.0。由于CPU版本的PyTorch相对GPU版本的PyTorch来说，运行速度较慢，我们推荐安装GPU版本的PyTorch。

1. Nvidia 10/20/30/40系列显卡选择的GPU版本

由于40系显卡的推出，目前市场上会有Nvidia 10、20、30、40系列显卡并存的情况。对于需要调用专用编译器的PyTorch来说，不同的显卡需要安装不同的依赖计算包，我们在此总结了不同显卡的PyTorch版本以及CUDA和cuDNN的对应关系，如下图所示。

注意：这里的区别主要在于显卡运算库CUDA与cuDNN的区别，当在20/30/40系列显卡上使用PyTorch时，可以安装11.6以上版本以及cuDNN 8.1以上版本的计算包，而在10系列版本的显卡上，建议优先使用2.0版本以前的PyTorch。

下面以CUDA 11.7 + cuDNN 8.2.0组合为例，演示完整的PyTorch 2.0 GPU Nvidia运行库的安装步骤，其他不同版本CUDA+cuDNN 组合的安装过程基本一致。

2. PyTorch 2.0 GPU Nvidia运行库的安装

从CPU版本的PyTorch开始深度学习之旅完全是可以的，但不是作者推荐的方式。相对于GPU版本的PyTorch来说，在运行速度方面CPU版本存在着极大的劣势，很有可能会让读者的深度学习止步于前。

如果读者的电脑不支持GPU，可以直接使用PyTorch 2.0 CPU版本的安装命令：

p