三、前置环境搭建——CUDA
1、硬件要求：CPU版本运算只与CPU版本有关；GPU版本还需要额外链接N卡，可以通过N卡进行加速
2、运行速度：GPU版本比CPU版本在复杂数据和密集计算过程中的环境中更有优势
3、软件需求：GPU版本需要额外安装CUDA和cuDNN两个驱动程序。
4、兼容性，CPU版本取决于CPU的版本，GPU版本受限于CUDA的版本
| 显卡型号 | Pytorch版本 | CUDA | cuDNN |
| 10系列 | 2.0及以前 | 11.1 | 7.65 |
| 20系列以上的显卡 | 2.0版本 | 11.6以上 | 8.1以上 |
如果只是微调着玩玩则可以直接安装CPU版本，如果显卡配置较好则可以安装2.0以上的Pytorch
综上，结合本人配置和需求，安装的是GPU版本的Pytorch2.0版本。
1、查看你的显卡版本和适配的CUDA
鼠标右键、NVIDIA控制面板、左下角系统信息、进入后可以查看CUDA的版本（如我这个就是12.1版本）、
2、进入官网:
kCUDA Toolkit Archive | NVIDIA Developer、选择合适的版本、下载、
3、完成安装CUDA
完成安装
4、查看环境变量（略）
如果没有的话需要自己添加、路径为安装路径+bin和安装路径+libnvvp
四、cuDNN
1、cuDNN下载
进入官网：Log in | NVIDIA Developer
由于我的CUDA是12版本的，windows系统，所以选了这个：大框下边的第一个
2、解压
下载完毕后、解压、将三个文件夹中的文件复制、粘贴到同名文件夹下
如果忘记路径：C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.1
3、配置环境变量
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.1bin
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.1include
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.1lib
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.1libnvvp
4、验证
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.1extrasdemo_suite
五、安装pytorch
1、安装pytorch
pip3 install torch torchvision torchaudio —index–url https://download.pytorch.org/whl/cu117
2、验证
import torch
result = torch.tensor(1) +torch.tensor(2.0)
print(result)输出：
打完！收工！
linux系统pytorch的安装：Linux安装显卡驱动、annaconda和CUDA（超详细）_linux cuda-CSDN博客
原文地址:https://blog.csdn.net/qq_48843954/article/details/134736423
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_23154.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
