最近在配置pytorch机器学习的环境，遇到过一些问题，现在记录一下供参考。网上虽然也有很多教程，但是有些过时了，有些不全面。这一篇尽可能全面的说明一下配置步骤，重点是软件之间的版本匹配问题。

目录

目录

1 CUDA和cuDNN安装

2 Pytorch安装

3 环境测试

---

---

我的电脑和配置：

Windows 11

RTX 2050

需要安装的软件（组件）：

GPU显卡驱动

CUDA

cuDNN

pytorch

在配置环境之前，需要先知道这些软件是有版本要求的，而且相互依赖匹配。最好先把需要的版本安装包下载正确，以免做无用功浪费时间。

需要说明的一点是，如果你的机器学习不需要用到GPU加速，那么只需要安装CPU版的pytorch即可，其它的都不需要安装，否则是必要的。

1 CUDA和cuDNN安装

显卡驱动和CUDA的版本对应关系：在NVIDIA控制面板-帮助-系统信息-组件中，即可看到自己显卡对应的CUDA版本。比如我这里显示的需要安装11.7版本的。

接着在官网下载适合自己显卡的的CUDA版本安装包，并且按步骤安装好即可：https://developer.nvidia.com/cuda-toolkit-archive

CUDA和显卡驱动的版本对应关系：如图下图所示，详细的可参考英伟达官网的信息：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

 查看自己显卡驱动版本：打开CMD--输入 nvidia-smi 查看：

你的GPU驱动版本号，需要大于CUDA要求的驱动版本号。如果自己的显卡驱动不符合要求，则需要更新驱动。在英伟达官网下载自己显卡的最新驱动并安装，以符合CUDA的版本要求：https://www.nvidia.cn/geforce/drivers/

cuDNN和CUDA的版本对应关系：

查看官网，找到合适的cuDNN版本并下载https://developer.nvidia.com/rdp/cudnn-archive

cuDNN是一个用于深度神经网络的GPU加速库，它的安装和添加环境变量可以参考这篇教程，写的比较详细，就不再赘述了：

Windows10系统CUDA和CUDNN安装教程

2 Pytorch安装

Pytorch是现在最流行的机器学习框架之一，目前的流行程度已经超过了TensorFlow。

Pytorch的安装同样需要和版本对应，安装的官方网站：https://pytorch.org/get-started/locally/

因为我电脑的CUDA适配版本是11.7，所以在Pytorch官方网站上也要选择CUDA11.7. 同样的，你选择的版本也要符合你自己适配的CUDA版本。

上图所示，官网已经将安装命令生成了，此时复制绿色框中的命令。然后打开Anaconda Prompt，在你自己的Python虚拟环境中复制，回车开始安装：

 然后在你的虚拟环境下，依次输入以下命令：

python
import torch
torch.__version__

可以看到Pytorch已安装完好：

3 环境测试

至此，所需要的软件和环境已经搭建好了，接下来测试一下环境是否可用。

新建一个脚本，配置我们已安装了Pytorch的环境的解释器，键入以下代码：

import torch
print('CUDA版本:',torch.version.cuda)
print('Pytorch版本:',torch.__version__)
print('显卡是否可用:','可用' if(torch.cuda.is_available()) else '不可用')
print('显卡数量:',torch.cuda.device_count())
print('是否支持BF16数字格式:','支持' if (torch.cuda.is_bf16_supported()) else '不支持')
print('当前显卡型号:',torch.cuda.get_device_name())
print('当前显卡的CUDA算力:',torch.cuda.get_device_capability())
print('当前显卡的总显存:',torch.cuda.get_device_properties(0).total_memory/1024/1024/1024,'GB')
print('是否支持TensorCore:','支持' if (torch.cuda.get_device_properties(0).major >= 7) else '不支持')
print('当前显卡的显存使用率:',torch.cuda.memory_allocated(0)/torch.cuda.get_device_properties(0).total_memory*100,'%')

如果可以输出以下信息，说明我们的环境已安装，可以使用Pytorch进行机器学习的GPU加速了！

参考教程【深度学习】001 检测CUDA、cuDNN、Pytorch是否可用

-----本文完-----