使用GPU训练模型需要哪些准备？

按照以下顺序进行：显卡驱动、cuda、cuDNN、torch。原因如下图所示：

图片源自深度学习环境配置---显卡驱动、pytorch、cuda和cudnn之间的配置关系_torch、torchvision、cuda 之间的对应关系-CSDN博客

1）查看电脑是否有GPU？

怎样知道自己的电脑是否支持GPU？_怎么看电脑有没有gpu-CSDN博客

2）安装显卡驱动

① 如何安装？

进入 下载 NVIDIA 官方驱动 | NVIDIA 查找，页面如下所示。

下载页面

安装页面

② 如何检验驱动的版本？

查看电脑安装的驱动版本，详见配置显卡驱动、CUDA、cuDNN以及说明三者之间的关系_cudnn和cuda的关系-CSDN博客

3）根据GPU安装对应的cuda版本。

① 如何查看自己电脑适合的cuda版本？详见链接中的步骤1。查看电脑适合的CUDA版本和对应的cuDNN版本及其下载_怎么看cuda对应的cudnn-CSDN博客

本机的cuda版本为12.5.78

或者输入nvidia-smi，表示本机适合的cuda版本为12.5.

注意，要先安装驱动，再安装cuda，不要颠倒步骤。cuda的版本是由驱动版本确定的。

② 如何安装cuda？

进入官网Developer Download Centers | NVIDIA Developer

点击CUDA Toolkit

若没有自己电脑合适版本的cuda，进入以下链接查找CUDA Toolkit Archive | NVIDIA Developer

双击exe进行安装，我的安装位置如下

③ 检验cuda是否安装成功：输入nvcc -V

出现下图所示页面表示未安装。

出现下图所示页面表示安装成功。

④ 卸载错误版本的cuda教程详见 windows 7 下cuda 9.0 卸载、cuda8.0 安装_win7 cuda卸载-CSDN博客

⑤ 查看cuda的安装位置：set cuda

4）安装cuda对应的cuDNN。

① 下载cuDNN

cudnn是深度学习的加速工具包，基于CUDA的深度学习GPU加速库，安装了cuDNN才能在GPU上完成深度学习的计算。

cuDNN下载链接 cuDNN Archive | NVIDIA Developer

点击下图所示，可能需要注册，按步骤指引操作即可。

② 配置cuDNN。

检查环境变量是否设置，下图所示表示设置成功。

解压cuDNN的压缩包，分别将cuDNN三个文件夹的内容分别复制到cuda对应的文件夹里面。

找到环境变量-系统变量-path，分别将如下三个变量添加进去，完成安装。

③ 检验cuDNN是否安装成功，详见Windows10检查Cuda和cuDNN是否安装成功？_查看大cuda时,cmd终端输入nvcc -v命令显示不是内部命令或外部命令,这是为什么-CSDN博客

5）安装GPU对应的pytorch版本。

注意：

* pytorch版本与cuda的版本有关；

* 有cpu版本的torch、gpu版本的torch两种；

① 如何查看电脑中的pytorch版本？

详见查看当前虚拟环境中的pytorch版本_conda查看pytorch版本-CSDN博客

目前，我的输出结果如下图所示，表示“已安装的torch是CPU版本的”：

若torch.cuda.is_available()输出结果为True，表示“已安装的torch是GPU版本的”。

若需要使用GPU版本的torch，需要卸载并重新安装

② 如何确定合适的torch版本？

进入 Start Locally | PyTorch pytorch官网，若没有对应的cuda版本，则选择最接近的额一个版本，生成安装命令。

在虚拟环境中输入上述命令，进行安装。等待安装完成即可。

③ 检查torch是否安装成功？

pycharm中输入以下代码，输出为True即为安装成功。

import torch

torch.cuda.is_available()