安装GPU版本Pytorch

在本文中，我们将详细讨论如何在计算机上安装GPU版本的PyTorch，这是一个深度学习框架，广泛用于构建和训练神经网络。PyTorch的GPU版本能够利用图形处理单元（GPU）的强大计算能力来加速深度学习模型的训练过程。 确保你的计算机配备了一个兼容的NVIDIA GPU。例如，GTX 680具有3.0的计算能力。你可以通过访问NVIDIA官网（https://developer.nvidia.com/cuda-gpus）来查找你的显卡的计算能力。计算能力是决定GPU能否运行特定CUDA版本的关键因素。 接着，你需要确定与你的GPU计算能力兼容的CUDA版本。对于GTX 680，可使用的CUDA SDK版本包括CUDA 8.0、9.0、9.2、10.0和10.2。CUDA是NVIDIA开发的一个软件开发包，它允许程序员利用GPU进行并行计算。你可以通过搜索CUDA的Wiki（wiki-CUDA.rar）来获取这些信息。 接下来，安装NVIDIA显卡驱动CUDA_DRIVER。访问nvidia.cn，根据你的显卡型号下载并安装最新的驱动程序。安装完成后，检查C:\Program Files\NVIDIA Corporation目录下是否有NVSMI文件夹。如果存在，将nvidia-smi.exe的路径添加到系统环境变量中，这样你就可以在命令行中运行nvidia-smi命令，它会显示你的系统上安装的CUDA_DRIVER版本和最高支持的CUDA版本。在这个例子中，最高支持的CUDA版本为11.4。 在确定了CUDA版本之后，你需要选择一个与之兼容的PyTorch版本。PyTorch的CUDA版本必须小于或等于你的CUDA_DRIVER版本。在这种情况下，你可以选择CUDA 10.2，因为它是步骤4中列出的最高版本，并且小于11.4。 为了安装PyTorch，你可以使用Anaconda这一包管理器，它提供了对不同Python版本和CUDA版本的PyTorch的镜像。如果你使用的是清华大学的镜像源（https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/），根据你的Python版本和选择的CUDA版本（10.2）找到合适的PyTorch版本。注意，GPU版本的PyTorch包名通常带有`cuda`后缀，而CPU版本则不包含。 在确认了PyTorch版本（例如，1.10.0）后，可以前往PyTorch官网的老版本安装页面（https://pytorch.org/get-started/previous-versions/）找到与你的操作系统（Windows）、PyTorch版本（1.10.0）和CUDA版本（10.2）匹配的安装指令。在conda控制台中执行这个命令，例如： ``` conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cudatoolkit=10.2 -c pytorch ``` 安装完成后，运行`nvidia-smi`检查CUDA是否正常工作，并用以下代码验证GPU版本的PyTorch是否已成功安装在你的环境中： ```python import torch torch.cuda.is_available() ``` 如果返回True，那么GPU版本的PyTorch已经安装成功。 在使用PyTorch时，建议在conda虚拟环境中操作，这有助于保持环境的整洁和隔离。你可以使用以下conda指令创建、管理虚拟环境： - 创建新虚拟环境：`conda create --name 环境名 python=3.7` - 删除环境：`conda remove --all -n 环境名` - 添加源地址：`conda config --add 源路径` - 查看当前环境的所有包：`conda list` - 激活指定虚拟环境：`conda activate 环境名` - 退出当前环境：`conda deactivate` 遵循以上步骤，你应该能够顺利地在你的计算机上安装和使用GPU版本的PyTorch。这将极大地提升你的深度学习模型训练速度，提高工作效率。