GPU并行计算的深度学习pyTorch环境搭建
一、显卡型号
二、安装cuda
1.查找你电脑的版本号，看对应的是哪个版本的CUDA
方法1：使用终端，win＋R打开，输入:
nvidia-smi
方法2：英达控制面板查看
打开后在帮助中找控制信息，选择组件，查看，如图中标记行意思就是机器所能支持的最高的cuda版本11.6
2.下载cuda
我们直接在CUDA的官网（CUDA Toolkit - Free Tools and Training | NVIDIA Developer）里面下载我们需要的版本。 打开官网（有时候会因为网速原因进去的慢或者进不去下，很正常，多试几次）
点击下载进入下载界面。
鼠标从上到下依次单击（依据你的需求和系统版本）下载。
下载之后，若下载的路径在C盘最移到别的盘，因为太大，影响虚拟缓存。
3.安装cuda
先选择安装包解压的临时目录（安装完之后会自动删除），再选择cuda的安装目录，最好使用默认安装目录，选择默认安装方式。
4.环境变量配置
检查环境变量是否存在，若没有就添加。
在path中添加环境变量：
4.检查是否可用
输入命令：nvcc –version
如果系统返回了CUDA的版本号，例如 CUDA Version 11.2，那么CUDA已经正确安装。
三、安找cudnn
1.下载对应的cudnn
根据安装好的CUDA版本选择合适的cuDNN版本，注意这里是需要先注册登录。
下载：https://developer.nvidia.com/rdp/cudnn-archive#
CUDA 10.0对应cuDNN 7.6.4
CUDA 11.1对应cuDNN 8.9.7
如果下载了CUDA 11.5，则应选择cuDNN 8.9.7。
选择所需的版本要进入下载页面，则需要先登录，如果没有账号，则需要注册，简单注册之后，需要填写如下更多的信息，否则登录不了。
国内CSDN上也有下载地址，不是免费，需要会员。cudnn下载国内满速下载地址长期有效更新-CSDN博客
下载好之后，解压，
将这三个文件夹直接合并到cuda的三个文件夹中，为了安全，可以分得复制夹子里的文件粘贴到cuda中相应的位置。
四、安装的torch及torchvision
。可以先安装anaconda,创建虚拟环境，在虚拟环境中安装torch与torchvisional
- 查找匹配的torch及trochvision
(1)使用pip命令指定版本安装：pip install torch==2.4.1 torchvision==0.9.1
或
pip install torchvision==2.4.1 torchvision==0.9.1 -i Simple Index
永久修改 pip 的默认源
如果你使用的是 Anaconda，也可以通过修改 .condarc 文件来指定清华大学镜像。首先，找到或创建 Anaconda 的配置文件 .condarc（通常位于用户主目录下）。然后添加或修改以下内容：
channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- defaults
如果自动搜索不到合适的安装包，还可以下载离线包：
离线包：https://download.pytorch.org/whl/torch/
https://download.pytorch.org/whl/torchvision/
(2)在conda环境中安装Torch。在命令行中输入以下命令：
conda install pytorch torchvision cudatoolkit=11.5 -c pytorch
请注意，cuda命令会自动选择适合您CUDA版本的Torch版本进行安装。
如果您需要安装特定版本的Torch，请使用
conda install pytorch=<version> torchvision=<version> torchaudio=<version> -c pytorch命令，将<version>替换为您需要的版本号。
五、验证
在Python解释器中输入，
import torch
如果没有报错，则表示Torch安装成功。
输入
Print(torch.cuda.is_available())
值为真，则表示可用，否则不可用。