Python&aconda系列：GPU深度学习环境搭建：Win11+CUDA 11.7+Pytorch1.12.1+Anaconda以及对应版本

---

一. 01 Pytorch和CUDA对应的版本及Pytorch和Python对应的版本及Python与Anaconda的对应关系

官方推荐的cuda版本为10.2和11.3，这两种 cuda 支持大多数的 pytorch 版本。

以下是Pytorch和CUDA对应的版本

CUDA 环境	PyTorch 版本
9.2	0.4.1、1.2.0、1.4.0、1.5.0(1)、1.6.0、1.7.0(1)
10.0	1.2.0、1.1.0、1.0.0(1)
10.1	1.4.0、1.5.0(1)、1.6.0、1.7.0(1)
10.2	1.5.0(1)、1.6.0、1.7.0(1)、1.8.0(1)、1.9.0、1.9.0、1.10.0、1.10.1、1.11.0、1.12.0、1.12.1
11.0	1.7.0(1)
11.1	1.8.0(1)、1.9.0、1.10.0
11.3	1.8.0(1)、1.9.0、1.9.1、1.10.0、1.10.0、1.10.1、1.11.0、1.12.0、1.12.1
11.6	1.8.0(1)、1.9.0、1.10.0、1.12.0、1.12.1
11.7	1.12.0、1.12.1、1.13.1

以下是Pytorch和Python对应的版本

torch	torchvision	python
main	nightly	>=3.7, <=3.10
1.12.0	0.13.0	>=3.7, <=3.10
1.11.0	0.12.3	>=3.7, <=3.10
1.10.2	0.11.3	>=3.6, <=3.9
1.10.1	0.11.2	>=3.6, <=3.9
1.10.0	0.11.1	>=3.6, <=3.9
1.9.1	0.10.1	>=3.6, <=3.9
1.9.0	0.10.0	>=3.6, <=3.9
1.8.1	0.9.1	>=3.6, <=3.9
1.8.0	0.9.0	>=3.6, <=3.9
1.7.1	0.8.2	>=3.6, <=3.9
1.7.0	0.8.1	>=3.6, <=3.8
1.7.0	0.8.0	>=3.6, <=3.8
1.6.0	0.7.0	>=3.6, <=3.8
1.5.1	0.6.1	>=3.5, <=3.8
1.5.0	0.6.0	>=3.5, <=3.8
1.4.0	0.5.0	==2.7, >=3.5, <=3.7
1.3.1	0.4.2	==2.7, >=3.5, <=3.7
1.3.0	0.4.1	==2.7, >=3.5, <=3.7
1.2.0	0.4.0	==2.7, >=3.5, <=3.7
1.1.0	0.3.0	==2.7, >=3.5, <=3.7
<=1.1.0	0.2.2	==2.7, >=3.5, <=3.7

Python与Anaconda的版本对应关系

见官网 ：

https://docs.anaconda.com/anaconda/packages/oldpkglists/

深度学习环境搭建

1. 安装Anaconda

清华大学开源镜像：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

---

二. 02 GPU深度学习环境搭建：Win11+CUDA 11.7+Pytorch1.12.1+Anaconda

此案例是以win11环境的gpu即nvidia为案例，进行深度学习环境搭建，选择工具及版本分别为CUDA 11.7、Pytouch1.12.1、Miniconda3_py38(含Python3.8)

1. 查看显卡驱动及对应cuda版本关系

1.1 显卡驱动和cuda版本信息查看方法

在命令行中输入【nvidia-smi】可以当前显卡驱动版本和cuda版本。

根据显示，显卡驱动版本为：Driver Version: 527.47，CUDA 的版本为：CUDA Version 12.0。

此处我们可以根据下面的显卡驱动和cuda版本对应关系得知，Driver Version: 527.47 >516.31，所以可以使用 CUDA Version 11.7

1.2 根据显卡驱动 和 CUDA版本对应关系选择 CUDA

上面显示显卡驱动版本为：Driver Version: 527.47，CUDA 的版本为：CUDA Version 12.0，我们也可以根据显卡版本选择其他版本的 CUDA，因为 Driver Version: 527.47 >= 522.06，所以向下兼容，此案例以 CUDA 11.7 版本为安装案例。

CUDA工具版本	Linux驱动版本(x86/64)	Windows驱动版本(x86/64)
CUDA 11.8 GA	>=520.61.05	>=522.06
CUDA 11.7 更新1	>=515.48.07	>=516.31
CUDA 11.7 GA	>=515.43.04	>=516.01
CUDA 11.6 更新2	>=510.47.03	>=511.65
CUDA 11.6 更新1	>=510.47.03	>=511.65
CUDA 11.6 GA	>=510.39.01	>=511.23
CUDA 11.5 更新2	>=495.29.05	>=496.13
CUDA 11.5 更新1	>=495.29.05	>=496.13
CUDA 11.5 GA	>=495.29.05	>=496.04
CUDA 11.4 更新4	>=470.82.01	>=472.50
CUDA 11.4 更新3	>=470.82.01	>=472.50
CUDA 11.4 更新2	>=470.57.02	>=471.41
CUDA 11.4 更新1	>=470.57.02	>=471.41
CUDA 11.4.0 GA	>=470.42.01	>=471.11
CUDA 11.3.1 更新1 、 >=465.19.01	>=465.89
CUDA 11.3.0 GA	>=465.19.01	>=465.89
CUDA 11.2.2 更新2	>=460.32.03	>=461.33
CUDA 11.2.1 更新1	>=460.32.03	>=461.09
CUDA 11.2.0 GA	>=460.27.03	>=460.82
CUDA 11.1.1 更新1	>=455.32	>=456.81
CUDA 11.1 GA	>=455.23	>=456.38
CUDA 11.0.3 更新1	>= 450.51.06	>= 451.82
CUDA 11.0.2 GA	>= 450.51.05	>= 451.48
CUDA 11.0.1 RC	>= 450.36.06	>= 451.22
CUDA 10.2.89	>= 440.33	>= 441.22
CUDA 10.1 (10.1.105发行版与更新)	>= 418.39	>= 418.96
CUDA 10.0.130	>= 410.48	>= 411.31
CUDA 9.2 (9.2.148 更新1)	>= 396.37	>= 398.26
CUDA 9.2 (9.2.88)	>= 396.26	>= 397.44
CUDA 9.1 (9.1.85)	>= 390.46	>= 391.29
CUDA 9.0 (9.0.76)	>= 384.81	>= 385.54
CUDA 8.0 (8.0.61 GA2)	>= 375.26	>= 376.51
CUDA 8.0 (8.0.44)	>= 367.48	>= 369.30
CUDA 7.5 (7.5.16)	>= 352.31	>= 353.66
CUDA 7.0 (7.0.28)	>= 346.46	>= 347.62

2. 安装CUDA

2.1下载CUDA

• 下载 CUDA 11,.7 版本

• 下载地址 ：https://developer.nvidia.com/cuda-toolkit-archive
  

2.2. 安装CUDA

选择程序安装

第一个路径默认（后面系统会自动删掉），选择精简，这里建议默认安装，也可手动安装，但是要记得自己安装的位置，因为后面需要配置系统环境变量

配置环境变量

安装完成后，就需要我们配置Cuda的环境变量了，我们在计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V9_0两个环境变量，安装好后，自动默认帮我们设置好了这2个环境变量（版本号对应用户所下载的版本号）：

安装完毕在命令行输入 nvcc --version，可以看到我安装的是11.7

3. 安装cuDANN

• 下载 CUDA 11,.7 版本 对应的 cuDANN

• 下载官网： https://developer.nvidia.com/rdp/cudnn-archive

解压cuDANN的压缩包发现里面会有三个文件夹 bin,include,lib，将它们复制到cuda安装下面C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.17，这是默认的路径

在路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite中，用cmd运行bandwidthTest.exe和deviceQuery.exe，如果得到两个PASS就证明成功了，如图。

4. 选择 CUDA 对应的Pytorch、Pytorch 对应的Python

• 查看对应版本关系详细见：https://blog.csdn.net/qq_41946216/article/details/129476095?spm=1001.2014.3001.5501

根据 CUDA 11.7 版本查看 Pytorch的对应版本为 12.1.1，再根据 Pytorch12.1.1版本查看Python对应的版本为 >=3.7 到 <=3.10 ，此处选择Python3.8案例。

5.安装Python环境（安装Anaconda 或 Miniconda）

• 因安装 Anaconda 或 Miniconda可以使用多个Python版本的环境，此处安装Miniconda为案例，版本为Miniconda3-py38 4.9.2-Windows-x86 64.exe，其中Python版本为3.8。

5.1 安裝Anaconda3

• Anaconda3清华大学开源镜像：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

• 安装过程见：https://blog.csdn.net/weixin_54626591/article/details/135059496

5.2 安装Miniconda

• Miniconda清华大学开源镜像：https://mirrors.bfsu.edu.cn/anaconda/miniconda/

• 安装过程见：https://blog.csdn.net/weixin_54626591/article/details/135059496

6.安装虚拟环境（如只需一个python环境此步可忽略）

6.1打开这个Anaconda Prompt应用

进入之后是以（base）开头

6.2 创建虚拟环境

执行：

conda create -n pytorch python=3.8.5

6.3 激活环境

执行：

conda activate pytorch

6.4 配置清华镜像源（此步可省略）

此处详细见 Miniconda的下载安装和配置详解–配置镜像步骤

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
conda config --set ssl_verify false

7、安装pytorch

7.2 进入官网获取安装命令

官网：https://pytorch.org/

7.2 进入虚拟环境，执行安装

# conda active envName，如：conda active pytorch

如果不使用虚拟环境安装则此步骤可以省略

安装方式一：

• 获取对应pytorch安装命令

• 打开 Anaconda Prompt，执行 conda activate pytorch 进入虚拟环境pytorch

• 执行命令：conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia ，执行此命令是下载最新版本 pytorch torchvision torchaudio

• 注意：如果使用配置的清华镜像源，则需去掉 -c pytorch 和 -c nvidia ，否则会强制从官网下载会比较慢

安装方式二：

• 根据需要按版本选择（pytorch版本见上面 4、选择 CUDA 对应的Pytorch、Pytorch 对应的Python）

• 打开 Anaconda Prompt，执行 conda activate pytorch 进入虚拟环境pytorch

• 执行命令：

conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia

• 注意：如果使用配置的清华镜像源，则需去掉 -c pytorch 和 -c nvidia ，否则会强制从官网下载会比较慢

安装方式三：

• 手动下载 pytorch、torchvision 、 torchaudio

• 下载网址：https://download.pytorch.org/whl/torch_stable.html

01选择pytorch

02选择torchvision

03选择torchvision

其中 cu117 代表 cuda11.7，cp38 表示 python版本为 3.8

• 执行命令安装：

• 打开 Anaconda Prompt，执行 conda activate pytorch 进入虚拟环境pytorch

• 执行命令安装

其他两个安装相同方式安装。

8、验证安装是否成功

依次输入：

python

import torch

print(torch.__version__)

print(torch.cuda.is_available())

当显示为True时，表示安装pytorch成功。

9、环境迁移（了解）

开发新项目三时，会用到多python独立环境，不同环境下安装相同的模块的情况，无需重新下载安装，利用pip freeze命令对之前安装好的环境进行迁移。

9.1 查看项目所安装的第三方库

进入安装目录，如虚拟环境 conda activate pytorch，输入pip freeze ，可查看项目所安装的所有第三方库。

9.2 生成依赖环境文件

输入pip freeze > requirements.txt，可在工程目录下生成requirements.txt文件，里面记录了该工程的所有依赖包以及对应的版本号。

9.3 环境迁移

在新环境进行环境迁移，执行 ：

pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/，即可自动安装所有依赖 (requirements.txt文件必要时需要带上路径)

---

---

爱吃面的猫

01 Pytorch和CUDA对应的版本及Pytorch和Python对应的版本及Python与Anaconda的对应关系

02 GPU深度学习环境搭建：Win11+CUDA 11.7+Pytorch1.12.1+Anaconda