pytorch的安装【全官网流程】

1.准备python环境

python环境需要看pytorch上说明的版本本文用的是python3.9

conda create -n pytorch39 python=3.9

2.安装pytorch【要使用GPU的先安装步骤3的CUDA在安装这个】

pytorch官方地址

（1）官方指出了python版本：
在这里插入图片描述

（2）使用
在这里插入图片描述
选择自己的环境，如果不用GPU的话直接选择CPU复制最后一行的pip命令在python环境下的cmd窗口运行安装完后就可以了。

3.需要使用GPU

3.1 安装cuda

随着显卡的发展，GPU越来越强大，而且GPU为显示图像做了优化。在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了，因此NVidia推出CUDA，让显卡可以用于图像渲染和计算以外的目的（例如这里提到的通用并行计算）。CUDA即Compute Unified Device Architecture，是NVidia利用GPU平台进行通用并行计算的一种架构，它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。开发人员可以利用C言、OpenCL、Fortran、c++等为CUDA架构编写程序。简单来理解，cuda就是NVidia提供的可以将显卡进行并行运算的一种软件驱动。

我们的最终目标是使用Pytoch，而特定Pytorch对cuda的版本是有要求的。因此，我们在安装cuda之前需要先确认到底装哪个cuda版本才行。
(1) 查看显卡的驱动版本

nvidia-smi

在这里插入图片描述
驱动版本是Driver Version: 537.58-------------------CUDA Version: 12.2
我们需要安装的CUDA版本应该是12.2，也可以参考官网的表因为截图迟早都不会是最新的文章，但是官网肯定会实时更新。
官网CUDA安装版本和N卡驱动对照表
在这里插入图片描述
我们还可以在官网看到不同型号的显卡的算力，我们这里是GeForce RTX 3050

所以在nvidia的gpu官网可以看到我们的显卡算力

根据自己的显卡型号点击不同的栏目查看

最后下载我们对应的CUDA在CUDA Toolkit官网选择自己的操作系统和CUDA版本下载，如果没有对应的版本点击CUDA Documentation/Release Notes查看其它版本
在这里插入图片描述
下载好以后安装CUDA

按照安装提示默认安装即可。安装完成后，可以打开文件夹C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA，可以看到当前目录已经存在v12.2文件夹，表示已经成功安装cudav12.2版本，并且上述安装程序已经自动的向环境变量中添加了对应的cuda路径，使得后续pytorch可以正常调用和执行。

最后，测试一下cuda是否安装成功。打开cmd命令终端，然后输入命令：

nvcc -V

在这里插入图片描述

3.2 安装cudnn (可以不安装)

cudnn是什么？为什么装了cuda了还要再装cudnn？

为了解释上述两个问题，我们需要重新梳理一下我们使用Pytorch的最终目标是什么？我们是用它来进行深度学习训练和推理，深度学习本质上就是训练深度卷积神经网络。尽管我们已经可以用cuda使得显卡来完成并行计算任务，但是所有的操作还是比较底层的、复杂的。是否在cuda之上有一个专门用于深度神经网络的SDK库来加速完成相关特定的深度学习操作，这个库就是cudnn。

NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如caffe、tensorflow、pytorch、mxnet等。cudnn简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是调整性能，同时还可以在GPU上实现高性能现代并行计算。

简单来说，cuda就是用来定义显卡并行运算的一些列底层GPU操作库，cudnn则是在cuda基础上专门正对深度学习定制的高级GPU操作库。

cudnn官网下载地址
这里需要注册账号并填写相关个人信息，然后进才可以进入真正的下载页面，按照提示一步步操作，最终在下载页下载自己对应的版本。我们选择的cuDNN v8.9.5，没有对应CUDA版本的选择绿色的其它版本。
在这里插入图片描述