PyTorch 与 NVIDIA GPU 的适配版本及安装

PyTorch 与 NVIDIA GPU 的适配版本需要通过 CUDA 和 cuDNN 来实现。以下是详细的安装教程，包括如何选择合适的 PyTorch 版本以及如何配置 NVIDIA GPU 环境。

1. 检查 NVIDIA GPU 和驱动

1.1 检查 GPU 型号

确保你的机器上有 NVIDIA GPU，并知道其型号。可以通过以下命令检查：

nvidia-smi

输出示例：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 510.47.03    Driver Version: 510.47.03    CUDA Version: 11.6     |
|-------------------------------+----------------------+----------------------+
| GPU  Name            TCC/WDDM | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  NVIDIA GeForce ...  WDDM | 00000000:01:00.0  On |                  N/A |
| N/A   45C    P8    N/A /  N/A |    100MiB /  8192MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

• Driver Version：NVIDIA 驱动版本。
• CUDA Version：当前安装的 CUDA 版本。

1.2 更新 NVIDIA 驱动

如果驱动版本过旧，建议更新到最新版本。可以从 NVIDIA 官网 下载并安装适合你 GPU 的驱动。

2. 安装 CUDA 和 cuDNN

2.1 安装 CUDA

CUDA 是 NVIDIA 提供的并行计算平台和编程模型。PyTorch 需要 CUDA 来支持 GPU 加速。

1. 查看 PyTorch 支持的 CUDA 版本：
   访问 PyTorch 官网，查看你需要的 PyTorch 版本支持的 CUDA 版本。

2. 下载并安装 CUDA：

   • 访问 CUDA Toolkit 下载页面。
   • 选择与 PyTorch 兼容的 CUDA 版本（如 CUDA 11.7）。
   • 按照官方文档安装 CUDA。

3. 验证 CUDA 安装：

   nvcc --version
   

   输出示例：

   nvcc: NVIDIA (R) Cuda compiler driver
   Copyright (c) 2005-2022 NVIDIA Corporation
   Built on Sun_Sep_18_21:16:01_PDT_2022
   Cuda compilation tools, release 11.7, V11.7.64
   

2.2 安装 cuDNN

cuDNN 是 NVIDIA 提供的深度学习加速库。

1. 下载 cuDNN：

   • 访问 cuDNN 下载页面。
   • 选择与 CUDA 版本匹配的 cuDNN 版本（如 cuDNN for CUDA 11.x）。

2. 安装 cuDNN：

   • 解压下载的文件，并将其中的文件复制到 CUDA 安装目录中。
   • 例如：

     tar -xzvf cudnn-11.7-linux-x64-v8.5.0.96.tgz
     sudo cp cuda/include/cudnn*.h /usr/local/cuda/include
     sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
     sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
     

3. 验证 cuDNN 安装：

   • 检查 cuDNN 版本：

     cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
     

3. 安装 PyTorch

3.1 选择合适的 PyTorch 版本

访问 PyTorch 官网，选择与你的 CUDA 版本匹配的 PyTorch 版本。

3.2 使用 pip 安装 PyTorch

例如，安装支持 CUDA 11.7 的 PyTorch：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

3.3 使用 conda 安装 PyTorch

如果你使用 Anaconda，可以通过以下命令安装：

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

4. 验证 PyTorch 是否支持 GPU

4.1 检查 PyTorch 是否检测到 GPU

import torch
print(torch.cuda.is_available())  # 输出: True 表示 GPU 可用

4.2 查看当前使用的 GPU 设备

print(torch.cuda.current_device())  # 输出当前 GPU 设备的索引
print(torch.cuda.get_device_name(0))  # 输出 GPU 设备名称

4.3 将张量移动到 GPU

x = torch.tensor([1.0, 2.0, 3.0])
x = x.to('cuda')  # 将张量移动到 GPU
print(x.device)  # 输出: cuda:0

5. 常见问题

5.1 PyTorch 找不到 GPU

• 确保安装了正确版本的 CUDA 和 cuDNN。
• 确保 PyTorch 版本与 CUDA 版本匹配。
• 检查 NVIDIA 驱动是否已正确安装。

5.2 多 GPU 支持

如果需要使用多 GPU，可以通过以下方式启用：

model = nn.DataParallel(model)  # 使用多 GPU

总结

通过以上步骤，你可以成功安装支持 NVIDIA GPU 的 PyTorch 版本，并验证其是否正常工作。确保 CUDA、cuDNN 和 PyTorch 版本匹配是关键。