GPU版本的pytorch深度学习环境配置及踩坑预警_pytorch cuda gt650 算力 3.0

主要内容：GPU版本的pytorch环境配置（使用anaconda安装）

最近课题组买了新的工作站，需要重新下载软件并配置环境，但因为GPU版本较高，按照现有的网上许多教程来配置总是出错，最后终于找到了错误原因，因此记录并分享各版本GPU都适用的正确的安装思路。

目录

1.确定电脑显卡型号、算力

2.更新NVIDIA驱动

3.根据cuda版本确定python和pytorch版本

4.验证GPU是否可用/cuda是否安装成功

---

1.确定电脑显卡型号、算力

点击任务管理器-性能，就可以看到自己的GPU型号，比如下图我的是RTX A4000的GPU。

在nvidia官网（CUDA GPUs - Compute Capability | NVIDIA Developer）可以找到GPU型号对应的算力，如下图我的RTX A4000的算力是8.6

算力对应可用的cuda版本，下图是算力和对应的cuda版本，不全，是我从别的博主哪里搬运过来的。可以看到8.6的算力应该安装11.0以上的cuda版本。

2.更新NVIDIA驱动

最好把NVIDIA驱动更新到最新版本，更新安装包在NVIDIA官网下载，选择好自己的产品型号等，点击搜索，最新的驱动安装包就出来了，直接点击下载。安装驱动过程中一直默认next就行。

打开命令行查看可用的CUDA的最高型号，输入：

nvidia-smi

如下图，我的GPU可用的最高cuda版本是12.2，我们下载的cuda版本只要小于等于12.2就行，再根据上面算力划分的可以cuda区间，我只要下载11.0-12.2之间的cuda就没问题

3.根据cuda版本确定python和pytorch版本

打开pytorch官网，可以看到现在能下载的最新的cuda版本就是12.1，低于12.2，那我们就下载该版本。

最需要注意的地方！！！我之前是直接复制 Run this Command 的代码到anaconda prompt中安装，但是安装完验证cuda是否存在时显示False。最后发现安装的pytorch是cpu版本，检查发现是python版本太低，12.1的cuda对应的python版本只能大于等于3.8，如果虚拟环境的Python版本低于3.8，就会自动安装cpu版本的pytorch，cuda也就不存在了。

具体的cuda版本对应那些python版本，可在此链接中查找：download.pytorch.org/whl/torch_stable.html

使用pytorch进行深度学习的优点之一就是不用单独安装cuda和cudnn，它们已经被集成到pytorch安装包中，只要根据官网给出的代码进行下载，就可以一次性配置好pytorch、cuda、cudnn，并保证它们三个的版本是兼容的。

4.验证GPU是否可用/cuda是否安装成功

敲入代码：

import torch
torch.cuda.is available()

最后显示True则表示安装成功

欢迎各位小伙伴留言讨论！